KR102609725B1 - 함정 부품의 관리 방법 및 관리 시스템 - Google Patents
함정 부품의 관리 방법 및 관리 시스템 Download PDFInfo
- Publication number
- KR102609725B1 KR102609725B1 KR1020230051180A KR20230051180A KR102609725B1 KR 102609725 B1 KR102609725 B1 KR 102609725B1 KR 1020230051180 A KR1020230051180 A KR 1020230051180A KR 20230051180 A KR20230051180 A KR 20230051180A KR 102609725 B1 KR102609725 B1 KR 102609725B1
- Authority
- KR
- South Korea
- Prior art keywords
- ship
- learning
- data
- parts
- learning model
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title abstract description 8
- 230000005856 abnormality Effects 0.000 claims abstract description 41
- 238000013480 data collection Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 건조된 함정의 함정 내에 체결된 함정 부품의 진동 데이터를 진동 센서에 의해 수집하여 저장하는 학습용 데이터 수집 단계, 학습 모델 생성장치가 상기 학습용 데이터 수집 단계에 의해 저장된 학습용 데이터를 입력받아 머신러닝을 통해 학습모델을 생성하는 학습모델 생성 단계 및 상기 학습모델을 탑재하여 운용중인 함정 내의 함정 부품의 진동 데이터를 상기 함정 내에 구비된 함정 부품 관리 장치가 수집하여, 상기 함정 부품의 이상 여부를 판별하는 이상감지 모니터링 단계를 포함하는 함정 부품의 관리 방법으로서, 본 발명에 의하면, 함정의 실제 운용 중에 부품의 이상 여부를 보다 정확하게 판단할 수 있다.
Description
본 발명은 함정 내 부품의 이상 여부를 관리하기 위한 방법 및 시스템에 관한 것이다.
함정(艦艇)은 군사용 배를 통틀어 이르는 말로서, 군함, 구축함, 어뢰정, 소해정 따위를 이른다. 함정 내의 부품들은 건조 후 실제 운용 중에 계속적으로 이상 여부를 파악하여 관리할 필요가 있다.
종래 기술은 진동 신호로부터 각 장비의 고장을 예측하는 기술이 대다수를 이루고 있다. 그런데, 진동 데이터만으로는 기기의 조건이 변경된 후 정상상태의 시점을 판단하기 어려워 정제된 학습데이터를 수집하기 어렵다. 실험실 단위에서 개발자의 판단으로 정상상태에서 데이터를 수집하거나, 운용 중의 경우 데이터 확보 시점은 생략하여 표현하고 있다.
또한, 종래 기술은 실험실 단위에서 진동 신호로부터 각 장비의 고장을 예측하는 기술이 대다수를 이루고 있다. 하지만 실제 함정 운용시 환경에 의한 진동이나 소음이 데이터에 포함되므로 운용간 학습데이터의 확보가 필요하다.
그리고, 일부 종래기술의 경우 각종 센서 데이터 활용하고 있으나 실제 운용장비에 적용하기에는 내구성이나 효율성 측면을 고려하지 않아 현실성이 부족하다.
특히 함정 내 베어링, 고정자, 실링 등의 회전기계 부품에서의 고장 확률이 높다고 알려져 있으며 이를 활용할 필요가 있다.
이상의 배경기술에 기재된 사항은 발명의 배경에 대한 이해를 돕기 위한 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.
본 발명은 상술한 문제점을 해결하고자 안출된 것으로서, 본 발명은 함정의 실제 운용 중에 부품의 이상 여부를 보다 정확하게 판단할 수 있는 함정 부품의 관리 방법 및 관리 시스템을 제공하는 데 그 목적이 있다.
본 발명의 일 관점에 의한 함정 부품의 관리 방법은, 건조된 함정의 함정 내에 체결된 함정 부품의 진동 데이터를 진동 센서에 의해 수집하여 저장하는 학습용 데이터 수집 단계, 학습 모델 생성장치가 상기 학습용 데이터 수집 단계에 의해 저장된 학습용 데이터를 입력받아 머신러닝을 통해 학습모델을 생성하는 학습모델 생성 단계 및 상기 학습모델을 탑재하여 운용중인 함정 내의 함정 부품의 진동 데이터를 상기 함정 내에 구비된 함정 부품 관리 장치가 수집하여, 상기 함정 부품의 이상 여부를 판별하는 이상감지 모니터링 단계를 포함한다.
여기서, 상기 학습용 데이터 수집 단계는 상기 함정의 특정 운용조건에서 상기 함정 부품의 온도가 일정해지는 정상상태(steady state)에서 상기 진동 데이터를 수집하는 것을 특징으로 한다.
그리고, 상기 이상감지 모니터링 단계는 상기 학습용 데이터 수집 단계에 의해 저장된 상기 함정 부품의 정상상태에 도달한 시점에 상기 함정 부품의 진동 데이터를 수집하는 것을 특징으로 한다.
또한, 상기 이상감지 모니터링 단계는, 상기 함정 부품의 진동 데이터를 미리 설정된 이상치와 비교하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 한다.
그리고, 상기 이상감지 모니터링 단계는, 상기 함정 부품의 진동 데이터를 상기 학습모델에 입력하여, 상기 학습모델의 출력값을 상기 학습모델 생성 단계의 학습을 통해 미리 설정된 상기 이상치와 비교하는 것을 특징으로 한다.
여기서, 상기 학습모델 생성 단계는 비지도학습(Unsupervised Learning) 또는 반지도학습(Semi-Supervised Learning) 기반의 머신러닝을 수행하는 것을 특징으로 한다.
한편, 상기 학습용 데이터 수집 단계는 상기 함정의 운용조건 변경 단계를 포함하여, 상기 함정 부품의 진동 데이터를 상기 함정의 운용조건별로 수집하는 것을 특징으로 한다.
그리고, 상기 학습용 데이터 수집 단계는 상기 진동 데이터의 샘플링 주파수를 2·f·π·D/t 이상으로 수집(여기서 f는 초당 최대회전수, π는 원주율, D는 부품 외경, t는 부품 두께)하고, 전류 데이터를 전력 계통 주파수의 4배 이상 또는 상기 진동 데이터의 샘플링 주파수 중 큰 값을 샘플링하는 단계를 포함한다.
또한, 상기 학습용 데이터는 온도 센서에 의해 수집되는 상기 함정 부품의 온도 데이터를 포함하는 것을 특징으로 한다.
나아가, 상기 이상감지 모니터링 단계는 상기 함정 부품의 온도 데이터를 상기 정상상태 및 과도상태(transient state)를 포함하여 수집하고, 상기 함정 부품의 온도 데이터를 미리 설정된 이상치와 비교하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 한다.
더 나아가, 상기 학습용 데이터는 상기 함정 부품의 전류 데이터를 포함하고, 상기 이상감지 모니터링 단계는 상기 진동 데이터, 상기 온도 데이터 및 상기 전류 데이터를 이용하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 한다.
다음으로, 본 발명의 일 관점에 의한 함정 부품의 관리 시스템은, 함정 내에 체결된 함정 부품의 진동 데이터를 상기 함정의 운용조건별로 수집하는 진동 센서, 상기 진동 센서에 의해 수집된 학습용 데이터를 입력받아 머신러닝을 통해 학습모델을 생성하는 학습모델 생성 장치 및 상기 학습모델을 탑재하여 운용중인 함정 내의 함정 부품의 진동 데이터를 상기 진동 센서로부터 수집하여, 상기 함정 부품의 이상 여부를 판별하는 함정 부품 관리 장치를 포함한다.
여기서, 상기 진동 센서는 상기 함정의 특정 운용조건에서 상기 함정 부품의 온도가 일정해지는 정상상태(steady state)에서 상기 진동 데이터를 수집하는 것을 특징으로 한다.
그리고, 상기 함정 부품 관리 장치는, 상기 함정 부품의 진동 데이터를 상기 학습모델에 입력하여, 상기 학습모델의 출력값을 상기 학습모델에 의한 학습을 통해 미리 설정된 상기 이상치와 비교하여, 상기 함정 부품의 진동 데이터를 미리 설정된 이상치와 비교하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 한다.
여기서, 상기 학습 모델 생성장치는 비지도학습(Unsupervised Learning) 또는 반지도학습(Semi-Supervised Learning) 기반의 머신러닝을 수행하는 것을 특징으로 한다.
또한, 함정 내에 체결된 함정 부품의 온도 데이터를 상기 함정의 운용조건별로 수집하는 온도 센서를 더 포함하고, 상기 온도 센서는 상기 온도 데이터를 상기 정상상태 및 과도상태(transient state)를 포함하여 수집하는 것을 특징으로 한다.
본 발명의 함정 부품의 관리 방법 및 관리 시스템에 의하면, 함정 수명기간 동안 학습데이터 수집기간과 모델생성 및 탑재기간, 이상감지 모니터링 기간을 설정하여 실제 환경에서의 학습데이터를 수집할 수 있어 보다 정확한 머신러닝 모델을 구현할 수 있다.
그리고, 개별 회전기계에 부착된 진동, 전류, 온도 정보로부터 이상감지를 수행하기 때문에 이상 감지된 기계의 위치뿐만 아니라 기계 내 추정되는 결함 원인 정보를 사용자에게 제공할 수 있다.
또한, 이상상태를 두 단계 이상으로 구분하고, 그 수치와 함께 사용자에게 제공되어 부품의 교체 및 정비 시기 판단에 도움을 줄 수 있다.
도 1은 본 발명의 함정 부품의 관리 방법을 도시한 것이다.
도 2는 모터 및 발전기의 결함에 따른 전류, 온도, 진동 정보 변화 예시를 나타낸 것이다.
도 3은 펌프의 결함에 따른 전류, 온도, 진동 정보 변화 예시를 나타낸 것이다.
도 2는 모터 및 발전기의 결함에 따른 전류, 온도, 진동 정보 변화 예시를 나타낸 것이다.
도 3은 펌프의 결함에 따른 전류, 온도, 진동 정보 변화 예시를 나타낸 것이다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시 예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
본 발명의 바람직한 실시 예를 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지의 기술이나 반복적인 설명은 그 설명을 줄이거나 생략하기로 한다.
도 1은 본 발명의 함정 부품의 관리 방법을 도시한 것이다. 이하, 도 1을 참조하여 본 발명의 일 실시예에 의한 함정 부품의 관리 방법 및 관리 시스템을 설명하기로 한다.
본 발명의 함정 부품의 관리 방법은 학습용 데이터 수집 단계(S10), 학습모델 생성 단계(S20) 및 이상감지 모니터링 단계(S30)를 포함하여, 함정의 실제 운용 중의 데이터를 통해 부품 이상 여부를 판별함으로써, 함정 운용시 환경에 의한 영향이 고려될 수 있게 하기 위한 것이다.
이를 위해 본 발명의 함정 부품의 관리 시스템은 함정 내 각 부품의 진동 데이터 및 온도 데이터를 계측하는 진동 센서 및 온도 센서를 포함하고, 학습모델을 생성하기 위한 학습 모델 생성장치 및 함정 운용 중 부품의 이상 여부를 판단하기 위한 함정 부품 관리 장치를 포함한다.
먼저 학습용 데이터 수집 단계(S10), 학습모델 생성 단계(S20) 및 이상감지 모니터링 단계(S30)는 함정의 건조, 정비, 운용의 기간에 따라 각각 다른 기간에 수행된다.
즉, 함정(함정, 해양플랜트, 함정 등)의 수명 주기에서 건조 및 창정비 이후 일정 기간을 학습데이터 수집 기간으로 설정하여 센서로부터 정해진 규칙에 따라 학습용 데이터를 수집한다(S10). 이후 함정의 정비기간 중 학습을 통해 머신러닝의 모델을 구성하고 탑재한다(S20). 그리고, 정비 이후 운용기간에 수집된 센서 데이터는 학습용 데이터가 아닌 이상치를 감지하기 위한 모델의 입력데이터로 활용하여 이상감지 여부를 모니터링한다(S30). 이렇게 운용 간 감지된 이상 정보는 제어실 및 승무원에게 알람정보와 그 수치를 전송하게 된다(S33).
보다 구체적으로, 학습용 데이터 수집단계(S10)는 건조나 창정비 완료 후 모든 계통에 이상이 없는 조건과 함정 환경요구조건에서의 데이터가 전부 수집되는 조건을 만족할 때까지를 학습데이터 수집기간으로 설정한다.
운용조건 변경 단계(S11)에 의해 특정한 운용 조건을 설정하여, 각 회전기계가 정상상태(steady state)에 돌입하였는지를 판별하고(S12), 정상상태인 경우에 해당 운용조건에서의 해당 회전기계의 데이터를 수집한다(S13).
정상상태라 함은 하나의 운용조건이 일정기간 유지되어 회전기계의 온도가 일정해지는 시점을 기준으로 판단한다. 학습데이터는 개별 회전기계마다 저장되며 각종 센서 데이터 및 정상상태에 도달한 도달시점을 저장한다.
S13에서 수집하여 저장(S14)하는 학습용 데이터의 종류는 예를 들어 일반 회전기계의 레디얼 베어링에서는 수평 반경 및 수직 반경 방향 가속도의 RMS(Root Mean Square) 값을 포함하는 진동 데이터와 온도 데이터일 수 있으며, 스러스트 베어링에서는 축방향 가속도의 RMS 값을 포함하는 진동 데이터와 온도 데이터, 전동기, 발전기와 같이 전자기력 구동에 의한 회전기계의 경우 베어링에서의 진동과 온도 데이터에 추가로 내부 고정자 권선에서의 전류 파형과 고정자에서의 온도 데이터를 수집한다.
학습용 데이터는 S11의 운용조건 변경을 통해 운용조건 변경 시마다 정상상태에서 1회씩 수 초간 수집한다. 진동 데이터의 경우 샘플링 주파수를 2·f·π·D/t 이상으로 수집(여기서 f는 초당 최대회전수, π는 원주율, D는 베어링 외경, t는 베어링 두께)하고, 전류데이터는 전력계통 주파수의 4배 이상 또는 상기 진동데이터의 샘플링 주파수 중 큰 값을 샘플링한다.
이는 함정 내 각 부품의 진동 데이터 또는 온도 데이터를 계측하기 위한 진동 센서 또는 온도 센서에 의한다.
이와 같이 S14에 의해 저장된 학습용 데이터는 함정의 정비기간 동안 함정 외부에 구비되는 학습 모델 생성장치를 통해서 개별 회전기계마다 비지도학습(Unsupervised Learning) 또는 반지도학습(Semi-Supervised Learning) 기반의 머신러닝을 수행하게 된다(S21).
수집된 학습용 데이터를 정상데이터로 가정하여 반지도학습을 하거나 비지도 학습 중 군집화 알고리즘을 사용할 수 있다. 그리고, 종래의 머신러닝과 같이 모델 구조, 가중치 및 하이퍼파라미터 등을 확정하게 된다(S22).
다음, 이상치 기준(또는 경계)는 1차 경고와 더 위험한 2차 경고 등 두 단계 이상으로 설정한다(S23). 이를 통해 개별 기기 단위로 구성된 학습모델을 함정 내부에 구비되는 함정 부품 관리 장치에 탑재한다(S24).
이후 함정의 정비기간 종료 후 함정 재운용 시부터 이상 감지를 수행하며(S30), 먼저 실제 운용 데이터를 수집한다(S31).
즉, 학습용 데이터 수집 기준인 정상상태에서 센서 데이터를 획득하는 것이 아닌, 학습용 데이터 수집(S13) 시 저장된 정상상태 돌입 시점을 기준으로 상술한 센서의 데이터를 획득하여 이상치를 판별한다(S32).
각 회전기계의 정상상태 도달시점에 진동, 전류 및 온도 데이터를 획득하여 탑재된 모델의 입력 데이터셋(data set)으로 사용하고 모델을 통한 결과 데이터셋으로부터 각 회전기계의 이상치 기준 경계를 초과하는지를 감지하는 것이다.
이와는 독립적으로 온도 데이터의 경우는 S31에서 과도상태(transient state)를 포함하여 지속적으로 수집되며, S32에서 각 회전기계에 설정된 임계값을 초과한 경우를 이상치로 감지한다. 이를 통해 개별 기계마다 이상감지를 수행하기 때문에 이상치로 판별되면 해당 회전기계의 위치 정보를 알 수 있다.
이같이 이상치가 판별되면 이상치를 별도의 경고 제어수단 또는 사용자 단말기로 전송, 알람할 수 있다(S33).
또한 도2 및 도3과 같이 진동, 전류, 온도 등의 조합으로 회전기계 내에서의 예상 결함 부위를 예측할 수 있으며 해당 후보군을 추천하여 사용자에게 제공할 수 있다. 이상치는 확률적 수치이기 때문에 사용자가 이상치의 정도를 판별할 수 있도록 해당 수치 정보도 제공한다.
회전기계에 부착된 센서들은 유선으로 데이터를 데이터 수집장치에 전송하고 데이터 수집장치에서는 무선을 통해 격벽 내 송수신 단말기로 정보가 전달되며, 격벽 간은 유선을 통해 함정 부품 관리 장치로 전송되도록 구성될 수 있다.
함정 부품 관리 장치에서 판별된 이상치 정보들은 경고를 위한 제어실로 정보가 전송되고, 다시 제어실에서 격벽 간 유선을 통해 각 격벽에 설치된 송수신 단말기로 정보가 전달되며, 각 격벽 내에서는 무선을 통해 승무원이 착용한 장치로 보내지거나 유무선 방식의 격벽 내 디스플레이 장치에 알람을 알리도록 할 수 있다.
이상과 같은 본 발명은 예시된 도면을 참조하여 설명되었지만, 기재된 실시 예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정 예 또는 변형 예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이며, 본 발명의 권리범위는 첨부된 특허청구범위에 기초하여 해석되어야 할 것이다.
S10 : 학습용 데이터 수집 단계
S11 : 운용조건 변경
S12 : 정상상태 판별
S13 : 운용조건별 데이터 수집
S14 : 데이터 저장
S20 : 학습모델 생성 단계
S21 : 학습
S22 : 가중치 및 하이퍼파라미터 설정
S23 : 이상치 이중 경계선 설정
S24 : 학습모델 탑재
S30 : 이상감지 모니터링 단계
S31 : 실제 운용 데이터 수집
S32 : 이상치 판별
S33 : 이상치 알람
S11 : 운용조건 변경
S12 : 정상상태 판별
S13 : 운용조건별 데이터 수집
S14 : 데이터 저장
S20 : 학습모델 생성 단계
S21 : 학습
S22 : 가중치 및 하이퍼파라미터 설정
S23 : 이상치 이중 경계선 설정
S24 : 학습모델 탑재
S30 : 이상감지 모니터링 단계
S31 : 실제 운용 데이터 수집
S32 : 이상치 판별
S33 : 이상치 알람
Claims (16)
- 삭제
- 삭제
- 삭제
- 건조된 함정의 함정 내에 체결된 함정 부품의 진동 데이터를 진동 센서에 의해 수집하여 저장하는 학습용 데이터 수집 단계;
학습 모델 생성장치가 상기 학습용 데이터 수집 단계에 의해 저장된 학습용 데이터를 입력받아 머신러닝을 통해 학습모델을 생성하는 학습모델 생성 단계; 및
상기 학습모델을 탑재하여 운용중인 함정 내의 함정 부품의 진동 데이터를 상기 함정 내에 구비된 함정 부품 관리 장치가 수집하여, 상기 함정 부품의 이상 여부를 판별하는 이상감지 모니터링 단계를 포함하고,
상기 학습용 데이터 수집 단계는 상기 함정의 특정 운용조건에서 상기 함정 부품의 온도가 일정해지는 정상상태(steady state)에서 상기 진동 데이터를 수집하는 것을 특징으로 하며,
상기 이상감지 모니터링 단계는 상기 학습용 데이터 수집 단계에 의해 저장된 상기 함정 부품의 정상상태에 도달한 시점을 기준으로 상기 함정 부품의 진동 데이터를 수집하는 것을 특징으로 하고,
상기 이상감지 모니터링 단계는,
상기 함정 부품의 진동 데이터를 미리 설정된 이상치와 비교하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 하는,
함정 부품의 관리 방법. - 청구항 4에 있어서,
상기 이상감지 모니터링 단계는,
상기 함정 부품의 진동 데이터를 상기 학습모델에 입력하여, 상기 학습모델의 출력값을 상기 학습모델 생성 단계의 학습을 통해 미리 설정된 상기 이상치와 비교하는 것을 특징으로 하는,
함정 부품의 관리 방법. - 청구항 5에 있어서,
상기 학습모델 생성 단계는 비지도학습(Unsupervised Learning) 또는 반지도학습(Semi-Supervised Learning) 기반의 머신러닝을 수행하는 것을 특징으로 하는,
함정 부품의 관리 방법. - 건조된 함정의 함정 내에 체결된 함정 부품의 진동 데이터를 진동 센서에 의해 수집하여 저장하는 학습용 데이터 수집 단계;
학습 모델 생성장치가 상기 학습용 데이터 수집 단계에 의해 저장된 학습용 데이터를 입력받아 머신러닝을 통해 학습모델을 생성하는 학습모델 생성 단계; 및
상기 학습모델을 탑재하여 운용중인 함정 내의 함정 부품의 진동 데이터를 상기 함정 내에 구비된 함정 부품 관리 장치가 수집하여, 상기 함정 부품의 이상 여부를 판별하는 이상감지 모니터링 단계를 포함하고,
상기 학습용 데이터 수집 단계는 상기 함정의 특정 운용조건에서 상기 함정 부품의 온도가 일정해지는 정상상태(steady state)에서 상기 진동 데이터를 수집하는 것을 특징으로 하며,
상기 학습용 데이터 수집 단계는 상기 함정의 운용조건 변경 단계를 포함하여, 상기 함정 부품의 진동 데이터를 상기 함정의 운용조건별로 수집하는 것을 특징으로 하고,
상기 학습용 데이터는 온도 센서에 의해 수집되는 상기 함정 부품의 온도 데이터를 포함하는 것을 특징으로 하며,
상기 이상감지 모니터링 단계는 상기 함정 부품의 온도 데이터를 상기 정상상태 및 과도상태(transient state)를 포함하여 수집하고,
상기 정상상태 및 과도상태를 포함하여 수집한 상기 함정 부품의 온도 데이터를 미리 설정된 이상치와 비교하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 하는,
함정 부품의 관리 방법. - 청구항 7에 있어서,
상기 학습용 데이터 수집 단계는 상기 진동 데이터의 샘플링 주파수를 2·f·π·D/t 이상으로 수집(여기서 f는 초당 최대회전수, π는 원주율, D는 부품 외경, t는 부품 두께)하고, 전류 데이터를 전력 계통 주파수의 4배 이상 또는 상기 진동 데이터의 샘플링 주파수 중 큰 값을 샘플링하는 단계를 포함하는,
함정 부품의 관리 방법. - 삭제
- 삭제
- 청구항 7에 있어서,
상기 학습용 데이터는 상기 함정 부품의 전류 데이터를 포함하고,
상기 이상감지 모니터링 단계는 상기 진동 데이터, 상기 온도 데이터 및 상기 전류 데이터를 이용하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 하는,
함정 부품의 관리 방법. - 함정 내에 체결된 함정 부품의 진동 데이터를 상기 함정의 운용조건별로 수집하는 진동 센서;
상기 진동 센서에 의해 수집된 학습용 데이터를 입력받아 머신러닝을 통해 학습모델을 생성하는 학습모델 생성 장치; 및
상기 학습모델을 탑재하여 운용중인 함정 내의 함정 부품의 진동 데이터를 상기 진동 센서로부터 수집하여, 상기 함정 부품의 이상 여부를 판별하는 함정 부품 관리 장치를 포함하고,
상기 진동 센서는 상기 함정의 특정 운용조건에서 상기 함정 부품의 온도가 일정해지는 정상상태(steady state)에서 상기 진동 데이터를 수집하는 것을 특징으로 하며,
함정 내에 체결된 함정 부품의 온도 데이터를 상기 함정의 운용조건별로 수집하는 온도 센서를 더 포함하고,
상기 온도 센서는 상기 온도 데이터를 상기 정상상태 및 과도상태(transient state)를 포함하여 수집하는 것을 특징으로 하는,
함정 부품의 관리 시스템. - 삭제
- 청구항 12에 있어서,
상기 함정 부품 관리 장치는,
상기 함정 부품의 진동 데이터를 상기 학습모델에 입력하여, 상기 학습모델의 출력값을 상기 학습모델에 의한 학습을 통해 미리 설정된 이상치와 비교하여, 상기 함정 부품의 진동 데이터를 미리 설정된 상기 이상치와 비교하여 상기 함정 부품의 이상 여부를 판별하는 것을 특징으로 하는,
함정 부품의 관리 시스템. - 청구항 14에 있어서,
상기 학습 모델 생성장치는 비지도학습(Unsupervised Learning) 또는 반지도학습(Semi-Supervised Learning) 기반의 머신러닝을 수행하는 것을 특징으로 하는,
함정 부품의 관리 시스템. - 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230051180A KR102609725B1 (ko) | 2023-04-19 | 2023-04-19 | 함정 부품의 관리 방법 및 관리 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230051180A KR102609725B1 (ko) | 2023-04-19 | 2023-04-19 | 함정 부품의 관리 방법 및 관리 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102609725B1 true KR102609725B1 (ko) | 2023-12-05 |
Family
ID=89156913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230051180A KR102609725B1 (ko) | 2023-04-19 | 2023-04-19 | 함정 부품의 관리 방법 및 관리 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102609725B1 (ko) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
KR101713985B1 (ko) * | 2016-09-02 | 2017-03-09 | 에이블맥스(주) | 예지 정비 방법 및 장치 |
KR101732625B1 (ko) | 2015-03-25 | 2017-05-04 | 삼성중공업 주식회사 | 선박의 고장 진단 장치 |
KR102073810B1 (ko) * | 2019-07-23 | 2020-03-11 | 한화시스템(주) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 |
KR102102346B1 (ko) * | 2019-10-21 | 2020-04-22 | (주) 리얼웹 | 함정설비의 상태기반 정비지원 시스템 및 방법 |
KR102458080B1 (ko) * | 2022-03-11 | 2022-10-25 | (주)플루토솔루션 | 딥러닝 기반의 모터 이상감지 시스템 |
-
2023
- 2023-04-19 KR KR1020230051180A patent/KR102609725B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
KR101732625B1 (ko) | 2015-03-25 | 2017-05-04 | 삼성중공업 주식회사 | 선박의 고장 진단 장치 |
KR101713985B1 (ko) * | 2016-09-02 | 2017-03-09 | 에이블맥스(주) | 예지 정비 방법 및 장치 |
KR102073810B1 (ko) * | 2019-07-23 | 2020-03-11 | 한화시스템(주) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 |
KR102102346B1 (ko) * | 2019-10-21 | 2020-04-22 | (주) 리얼웹 | 함정설비의 상태기반 정비지원 시스템 및 방법 |
KR102458080B1 (ko) * | 2022-03-11 | 2022-10-25 | (주)플루토솔루션 | 딥러닝 기반의 모터 이상감지 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102068446B1 (ko) | 자가 학습형 풍력발전시스템 상태 감시 고장 진단 방법 | |
US9913006B1 (en) | Power-efficient data-load-efficient method of wirelessly monitoring rotating machines | |
US9803618B2 (en) | Monitoring and fault prediction in relation to a mechanical component of a rotating system | |
US20140324739A1 (en) | Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis | |
CN111509847A (zh) | 一种电网机组状态的智能检测系统及方法 | |
US10393622B2 (en) | Techniques for monitoring gear condition | |
KR101336718B1 (ko) | 풍력발전기 상태감시시스템 알람 생성 방법 | |
CN109563840A (zh) | 泵组件、方法和计算机程序 | |
JP7460545B2 (ja) | 電気機械的マシンの調子を監視して故障を予測するシステム及び方法 | |
RU2721901C1 (ru) | Прогнозирование оставшегося полезного срока службы подшипников | |
EP3404502B1 (en) | Condition-based maintenance of device | |
KR102609725B1 (ko) | 함정 부품의 관리 방법 및 관리 시스템 | |
CN109642853A (zh) | 旋转装置用在线诊断/预测系统 | |
KR101768457B1 (ko) | 독립 전원형 산업설비 예지보전 시스템 및 방법 | |
KR102433483B1 (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
CN113819011B (zh) | 风力发电机组的叶轮状态检测方法、装置及系统 | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
KR20230049386A (ko) | 설비의 진단을 위한 스마트 센서, 게이트웨이 및 서버를 포함하는 IoT 시스템 및 설비의 진단 및 예지 방법 | |
US20220178737A1 (en) | Automated health state classifier for rotating machines based on expert knowledge | |
US20150361959A1 (en) | Adjusted operating time | |
CN117451288B (zh) | 一种海上柔直平台阀冷主循环泵的故障诊断方法及装置 | |
Tan et al. | Wind turbine monitoring warning device | |
US11746752B2 (en) | Method and system for detecting machine defects | |
Meyer | SCADA-based fault detection in wind turbines: data-driven techniques and applications | |
CN117514642A (zh) | 偏航制动系统异常监测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |