KR102634666B1 - 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법 - Google Patents

롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법 Download PDF

Info

Publication number
KR102634666B1
KR102634666B1 KR1020210172155A KR20210172155A KR102634666B1 KR 102634666 B1 KR102634666 B1 KR 102634666B1 KR 1020210172155 A KR1020210172155 A KR 1020210172155A KR 20210172155 A KR20210172155 A KR 20210172155A KR 102634666 B1 KR102634666 B1 KR 102634666B1
Authority
KR
South Korea
Prior art keywords
roll
data
prediction model
life prediction
building
Prior art date
Application number
KR1020210172155A
Other languages
English (en)
Other versions
KR20230083810A (ko
Inventor
이창우
이윤제
박병희
Original Assignee
건국대학교 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 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020210172155A priority Critical patent/KR102634666B1/ko
Publication of KR20230083810A publication Critical patent/KR20230083810A/ko
Application granted granted Critical
Publication of KR102634666B1 publication Critical patent/KR102634666B1/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
    • 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
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G01H1/14—Frequency
    • 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
    • G06N20/00—Machine learning

Abstract

본 발명은 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법에 관한 것으로, 롤투롤 공정의 동작 과정에서 발생되는 진동 데이터를 측정하는 단계; 상기 진동 데이터로부터 적어도 하나의 특징 데이터를 추출하여 특징 데이터셋을 구축하는 단계; 상기 특징 데이터셋을 기초로 단조성(monotonicity) 및 상관성(correlation)에 관한 특징 데이터를 선별하여 학습 데이터를 생성하는 단계; 및 상기 학습 데이터를 학습하여 상기 롤투롤 공정 상의 롤 베어링의 수명을 예측하는 수명 예측 모델을 구축하는 단계;를 포함한다.

Description

롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법{METHOD FOR BUILDING PREDICTIVE MODEL OF ROLL BEARING LIFE IN THE ROLL-TO-ROLL PROCESS}
본 발명은 베어링 모니터링 및 진단 기술에 관한 것으로, 보다 상세하게는 베어링에서 발생하는 진동 데이터를 수집한 후 통계적으로 분석하여 베어링 수명 예측 모델을 구축하기 위한 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법에 관한 것이다.
롤투롤 공정에는 다양한 롤들이 동작할 수 있으며, 각 롤들을 지지하는 롤 베어링들이 사용될 수 있다. 이때, 롤 베어링의 경우 동작 시간이 증가할수록 고장율이 증가할 수 있고, 롤 베어링의 고장은 공정에 악영향을 미칠 수 있다.
이때, 롤 베어링의 고장 원인으로는 불충분한 윤활, 부적절한 윤활재의 사용, 베어링의 잘못된 설치, 축계의 과도한 변형 등이 있을 수 있으며, 최근에는 롤 베어링의 고장 진단을 위한 다양한 기술들이 개발되고 있다.
다만, 롤 베어링의 동작을 모니터링하고 고장을 사전에 예측하는 것은 공정에 있어 매우 중요한 작업임에도 불구하고, 정확한 진단 및 예측을 위한 기술은 여전히 충분하지 않은 실정이다.
한국등록특허 제10-1823746호 (2018.01.24)
본 발명의 일 실시예는 베어링에서 발생하는 진동 데이터를 수집한 후 통계적으로 분석하여 베어링 수명 예측 모델을 구축하기 위한 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법을 제공하고자 한다.
실시예들 중에서, 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법은 롤투롤 공정의 동작 과정에서 발생되는 진동 데이터를 측정하는 단계; 상기 진동 데이터로부터 적어도 하나의 특징 데이터를 추출하여 특징 데이터셋을 구축하는 단계; 상기 특징 데이터셋을 기초로 단조성(monotonicity) 또는 상관성(correlation)에 관한 특징 데이터를 선별하여 학습 데이터를 생성하는 단계; 및 상기 학습 데이터를 학습하여 상기 롤투롤 공정 상의 롤 베어링의 수명을 예측하는 수명 예측 모델을 구축하는 단계;를 포함한다.
상기 진동 데이터를 측정하는 단계는 상기 롤투롤 공정의 롤 베어링에 부착된 3축 가속도 센서를 통해 상기 롤 베어링의 동작 과정에서 발생하는 진동을 측정하는 단계를 포함할 수 있다.
상기 진동 데이터를 측정하는 단계는 상기 롤 베어링의 하우징에 수직방향으로 상기 3축 가속도 센서를 부착하여 상기 진동을 측정하는 단계를 포함할 수 있다.
상기 특징 데이터셋을 구축하는 단계는 상기 진동 데이터로부터 경험적 모드 분해법을 적용하여 주파수 성분을 추출하는 단계를 포함할 수 있다.
상기 특징 데이터셋을 구축하는 단계는 상기 주파수 성분 중에서 상기 롤 베어링의 결함에 관한 고유 주파수 성분을 시간 도메인으로 획득하는 단계를 포함할 수 있다.
상기 학습 데이터를 생성하는 단계는 상기 시간 도메인의 특징 데이터들에 대해 첨도, 왜도, 표준편차 및 평균값을 포함하는 특징변수들을 각각 추출하여 상기 학습 데이터를 구성하는 단계를 포함할 수 있다.
상기 학습 데이터를 생성하는 단계는 상기 특징 데이터셋을 기초로 특정 신호에 관한 포락선을 도출하는 단계; 상기 포락선 상에서 제1 변곡점 및 제2 변곡점의 기울기들을 산출하는 단계; 상기 기울기들을 이용하여 상기 특정 신호의 방향성 편향을 결정하는 단계; 및 상기 방향성 편향이 가장 큰 축 방향을 결정하고 해당 축 방향의 특징 데이터들을 이용하여 상기 학습 데이터를 생성하는 단계를 포함할 수 있다.
상기 학습 데이터를 생성하는 단계는 다음의 수학식을 통해 상기 특정 신호의 방향성 편향을 산출하는 단계를 포함할 수 있다.
[수학식]
(여기에서, DRUL은 방향성 편향이고, Yupper 및 Ylower은 각각 제1 및 제2 변곡점이며, diff()는 미분함수이다.)
상기 수명 예측 모델을 구축하는 단계는 상기 학습 데이터에 대해 서포트 벡터 머신을 포함하는 머신러닝 기법을 적용하여 베어링 진단 모델을 구축하는 단계를 포함할 수 있다.
상기 롤 베어링 수명 예측 모델 구축 방법은 상기 수명 예측 모델에 대해 시간에 대한 건전성 인자(Health indicator)를 입력하여 기 설정된 임계값에 도달하는 시점을 기준으로 상기 롤 베어링의 잔여 수명을 예측하는 단계;를 더 포함할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법은 베어링에서 발생하는 진동 데이터를 수집한 후 통계적으로 분석하여 베어링 수명 예측 모델을 구축할 수 있다.
본 발명의 일 실시예에 따른 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법은 롤투롤 공정에 사용되는 롤의 베어링 수명 상태를 예측하여 스마트 생산 설비 시스템 구축이 가능하고 베어링의 수명을 모니터링하여 베어링 결함으로 인한 생산품의 품질 저하를 방지함으로써 생산성을 향상시킬 수 있다.
도 1은 본 발명에 따른 수명 예측 모델 구축 시스템을 설명하는 도면이다.
도 2는 도 1의 수명 예측 모델 구축 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 수명 예측 모델 구축 장치의 논리적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법을 설명하는 도면이다.
도 5는 본 발명에 따른 베어링의 진동 데이터를 설명하는 도면이다
도 6a 및 6b는 베어링의 축방향 진동 데이터를 설명하는 도면이다.
도 7a 및 7b는 본 발명에 따른 베어링의 수명 예측 결과를 설명하는 도면이다.
도 8은 본 발명에 따른 수명 예측 모델 구축 방법을 설명하는 순서도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 수명 예측 모델 구축 시스템을 설명하는 도면이다.
도 1을 참조하면, 수명 예측 모델 구축 시스템(100)은 공정 장치(110), 수명 예측 모델 구축 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
공정 장치(110)는 롤투롤 공정을 수행하는 롤투롤 시스템의 일 구성요소에 해당할 수 있으며, 롤 베어링을 포함하는 적어도 하나의 롤을 포함하여 구현될 수 있다. 즉, 공정 장치(110)는 롤투롤 공정 과정에서 롤 베어링과 유기적으로 결합된 롤들을 가동시키는 장치에 해당할 수 있으며, 롤 동작을 수행하는 가동부와 가동부의 동작을 제어하는 연산부를 포함하여 구현될 수 있다. 공정 장치(110)는 수명 예측 모델 구축 장치(130)와 연결되어 동작할 수 있으며, 본 발명에 따른 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법을 구현할 수 있다.
또한, 공정 장치(110)는 적어도 하나의 롤을 포함할 수 있고, 해당 롤은 롤 베어링과 결합되어 동작할 수 있다. 공정 장치(110)는 롤 베어링의 동작에 관한 정보를 측정하기 위한 다양한 센서들을 포함하여 구현될 수 있다. 예를 들어, 공정 장치(110)는 가속도 센서, 압력 센서, 온도 센서, 전류 센서, 음향 센서, 주파수 센서 등을 포함할 수 있다. 일 실시예에서, 공정 장치(110)는 롤 베어링의 진동을 측정할 수 있는 적어도 하나의 진동 센서를 포함하여 구현될 수 있으며, 이 경우 진동 센서가 수명 예측 모델 구축 장치(130)와 직접 연결될 수 있다.
수명 예측 모델 구축 장치(130)는 롤 베어링에 관한 진동 데이터를 수집하고 단조성(monotonicity) 및 상관성(correlation)에 관한 특징 데이터를 선별하여 학습함으로써 수명 예측 모델을 구축하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 수명 예측 모델 구축 장치(130)는 공정 장치(110)와 유선 또는 무선 네트워크로 연결될 수 있고, 네트워크를 통해 공정 장치(110)와 데이터를 송·수신할 수 있다. 또한, 수명 예측 모델 구축 장치(130)는 데이터의 수집이나 추가적인 기능을 제공하기 위하여 별도의 외부 시스템(도 1에 미도시함)과 연동하여 동작하도록 구현될 수도 있다.
데이터베이스(150)는 수명 예측 모델 구축 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(150)는 롤 베어링에 관한 진동 데이터 및 특징 데이터를 저장할 수 있고, 수명 예측 모델에 관한 학습 데이터 및 학습 알고리즘을 저장할 수 있으며, 반드시 이에 한정되지 않고, 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 수명 예측 모델 구축 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 수명 예측 모델 구축 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 수명 예측 모델 구축 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 수명 예측 모델 구축 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 수명 예측 모델 구축 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 수명 예측 모델 구축 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 수명 예측 모델 구축 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 수명 예측 모델 구축 장치의 논리적 구성을 설명하는 도면이다.
도 3을 참조하면, 수명 예측 모델 구축 장치(130)는 진동 데이터 측정부(310), 특징 데이터셋 구축부(330), 학습 데이터 생성부(350), 수명 예측 모델 구축부(370), 잔여 수명 예측부(390) 및 제어부(도 3에 미도시함)를 포함할 수 있다.
진동 데이터 측정부(310)는 롤투롤 공정의 동작 과정에서 발생되는 진동 데이터를 측정할 수 있다. 여기에서는, 진동 데이터를 특정하여 수집하는 것으로 설명하고 있으나, 반드시 이에 한정되지 않으며, 진동 데이터 측정부(310)는 롤투롤 공정의 동작 과정에서 다양한 데이터를 수집하여 데이터베이스(150)에 저장할 수 있다. 특히, 진동 데이터 측정부(310)는 진동 데이터를 측정하는 진동 센서와 연동하여 동작할 수 있으며, 수집하는 데이터의 유형 및 개수에 따라 다양한 센서들과 연결되어 동작할 수도 있다.
일 실시예에서, 진동 데이터 측정부(310)는 수집된 진동 데이터에 대한 소정의 전처리 동작을 수행할 수 있다. 예를 들어, 진동 데이터 측정부(310)는 진동 데이터에 대해 샘플링 동작을 수행할 수 있으며, 범위 필터를 적용하여 소정의 유효 범위 내의 진동 데이터만을 수집할 수도 있다. 또한, 진동 데이터 측정부(310)는 측정된 진동 데이터를 소정의 범위 내의 데이터로 정규화 할 수 있다.
일 실시예에서, 진동 데이터 측정부(310)는 롤투롤 공정의 롤 베어링에 부착된 3축 가속도 센서(3-axis accelerometer)를 통해 롤 베어링의 동작 과정에서 발생하는 진동을 측정할 수 있다. 진동 데이터 측정부(310)는 3축 가속도 센서를 통해 x축, y축 및 z축에서의 센싱값을 측정할 수 있으며, 시간 도메인에서의 속도와 변위(즉, 위치 변화량), 그리고 각 축에서의 진동 데이터를 수집할 수 있다. 진동 데이터 측정부(310)는 롤투롤 공정의 롤 베어링 각각으로부터 진동 데이터를 수집할 수 있으며, 이 경우 해당 롤 베어링에 관한 식별 정보와 진동 데이터를 연결한 후 저장할 수 있다.
일 실시예에서, 진동 데이터 측정부(310)는 롤 베어링의 하우징에 수직방향으로 3축 가속도 센서를 부착하여 진동을 측정할 수 있다. 이때, 수직방향은 3축 가속도 센서의 z축 방향에 대응될 수 있으며, 이에 따라 x축 및 y축은 각각 롤 베어링의 수직·수평 방향의 움직임에 대응될 수 있다. 한편, 롤 베어링의 진동은 주축 방향과 수직·수평 방향으로 구분될 수 있으며, 하우징에 부착된 센서의 방향에 따라 x축, y축 및 z축으로 표현될 수 있다.
특징 데이터셋 구축부(330)는 진동 데이터로부터 적어도 하나의 특징 데이터를 추출하여 특징 데이터셋을 구축할 수 있다. 예를 들어, 특징 데이터셋 구축부(330)는 3축 가속도 센서로부터 수집된 진동 데이터를 기초로 시간 도메인 특징들(time domain features), 주파수 도메인 스펙트럼(frequency domain spectral), 시간-주파수 도메인 특징들(time-frequency domain features)을 수집할 수 있으며, 각 데이터 유형 별로 분류하여 데이터베이스(150)에 저장할 수 있다. 즉, 특징 데이터셋은 학습 모델 구축을 위한 피처 집합에 해당할 수 있으며, 소정의 분류 기준에 따라 분류된 부분 특징 데이터셋들의 집합으로 구성될 수 있다. 또한, 특징 데이터셋은 학습 모델 구축을 위한 학습 데이터를 생성하는데 사용될 수 있다.
일 실시예에서, 특징 데이터셋 구축부(330)는 진동 데이터로부터 경험적 모드 분해법을 적용하여 주파수 성분을 추출할 수 있다. 여기에서, 경험적 모드 분해법은 분해 분석 기법 중 하나이며 신호를 국소적인 주파수의 정도에 따라 내재모드 함수라는 함수로 분해하는 방법에 해당할 수 있다. 경험적 모드 분해법은 경험적 알고리즘에 기초한 계산방법으로 신호에 내재되어 있는 파동자료를 자료 적응적(data adaptive)으로 용이하게 추출할 수 있다는 점에서 비정상성을 가지는 신호에도 적용될 수 있다. 특징 데이터셋 구축부(330)는 진동 데이터의 시간 도메인에서 특정 주파수 성분을 추출하여 별도의 독립된 데이터셋을 구축할 수 있다.
일 실시예에서, 특징 데이터셋 구축부(330)는 주파수 성분 중에서 롤 베어링의 결함에 관한 고유 주파수 성분을 시간 도메인으로 획득할 수 있다. 즉, 특징 데이터셋 구축부(330)는 특징 데이터를 시간 도메인 상에서 다양한 주파수 영역으로 구분할 수 있으며, 롤 베어링의 결함에 연관된 고유 주파수 성분을 추출하여 별도의 독립된 데이터셋을 구축할 수 있다. 한편, 롤 베어링의 결함에는 Flaking, Peeling, Scoring, Smearing, Fracture, Cracks, Cage, Denting, Pitting, Wear, Creep 등이 포함될 수 있다. 특징 데이터셋 구축부(330)는 각 결함에 고유한 주파수 성분을 추출할 수 있으며, 각 결함 별로 구분하여 독립된 데이터셋을 구축할 수 있다. 특히, 특징 데이터셋 구축부(330)는 필요에 따라 주파수 성분들의 조합을 결정한 다음 조합에 따른 데이터셋을 구축할 수도 있다.
학습 데이터 생성부(350)는 특징 데이터셋을 기초로 단조성(monotonicity) 또는 상관성(correlation)에 관한 특징 데이터를 선별하여 학습 데이터를 생성할 수 있다. 학습 데이터 생성부(350)는 특징 데이터셋으로부터 단조성(monotonicity) 또는 상관성(correlation)에 관한 특징 데이터를 선택적으로 추출하여 학습 모델 구축을 위한 학습 데이터로서 사용할 수 있다. 특히, 롤 베어링의 진동 데이터를 활용하는 점을 고려하여 단조성에 관한 특징 데이터를 최우선적으로 활용할 수 있으며, 롤 베어링의 다른 특성 데이터를 활용하는 경우 해당 특성 데이터와 연관된 특성을 최우선적으로 적용할 수 있음은 물론이다.
일 실시예에서, 학습 데이터 생성부(350)는 시간 도메인의 특징 데이터들에 대해 첨도(kurtosis), 왜도(skewness), 표준편차 및 평균값 등을 포함하는 특징변수들을 각각 추출하여 학습 데이터를 구성할 수 있다. 즉, 학습 데이터 생성부(350)는 학습 목적 및 학습 알고리즘의 특성 등을 고려하여 특징 데이터들에 관한 통계적 데이터들 중 일부를 조합하여 학습 데이터를 생성할 수 있다. 예를 들어, 특징 데이터들에 대해 첨도(kurtosis), 왜도(skewness), 표준편차 및 평균값으로 구성된 학습 데이터의 경우 롤 베어링의 결함(또는 이상)을 진단하기 위한 진단 모델을 위해 사용될 수 있으며, 상관성을 갖는 특징 데이터들의 중간값, RMS, Peak to RMS로 구성된 학습 데이터의 경우 롤 베어링의 잔여 수명을 예측하기 위한 예측 모델을 위해 사용될 수 있다.
일 실시예에서, 학습 데이터 생성부(350)는 특징 데이터셋을 기초로 특정 신호에 관한 포락선을 도출하고, 포락선 상에서 제1 변곡점 및 제2 변곡점의 기울기들을 산출하며, 기울기들을 이용하여 특정 신호의 방향성 편향(directional bias)을 결정하고, 방향성 편향이 가장 큰 축 방향을 결정하고 해당 축 방향의 특징 데이터들을 이용하여 학습 데이터를 생성할 수 있다.
보다 구체적으로, 학습 데이터 생성부(350)는 3축 가속도 센서를 통해 수집된 특성 데이터 중에서 x축의 특성 데이터들에 관한 포락선을 도출할 수 있다. 이때, x축의 특성 데이터는 롤 베어링의 진동에 따라 upper 데이터(또는 양의 데이터)와 lower 데이터(또는 음의 데이터)로 구분될 수 있으며, 이에 따라 학습 데이터 생성부(350)는 x축의 특성 데이터에 대해 서로 다른 2개의 포락선들을 도출할 수 있다.
이후, 학습 데이터 생성부(350)는 포락선 상에서 제1 변곡점 및 제2 변곡점의 기울기들을 산출할 수 있다. 이때, 제1 변곡점은 upper 데이터에 관한 제1 포락선 상에 존재하는 양의 꼭지점에 해당할 수 있으며, 제2 변곡점은 lower 데이터에 관한 제2 포락선 상에 존재하는 음의 꼭지점에 해당할 수 있다.
이후, 학습 데이터 생성부(350)는 기울기들을 이용하여 특정 신호의 방향성 편향(directional bias)을 결정할 수 있다. 여기에서, 방향성 편향은 특성 데이터(예를 들어, 진동 데이터)에 있어 그 변화의 정도를 나타내는 특성값에 해당할 수 있다. 즉, 방향성 편향이 클수록 해당 방향으로의 진동의 변화가 더 크다는 것을 의미할 수 있으며, 단조성이 크다는 것에 대응될 수 있다. 학습 데이터 생성부(350)는 진동 데이터의 주축 방향과 반경 방향의 특성 데이터를 모두 활용하는 대신 방향성 편향을 산출한 후 방향성 편향이 큰 방향의 특성 데이터만을 선별적으로 추출하여 수명 예측 모델을 위한 학습 데이터로서 결정할 수 있다.
일 실시예에서, 학습 데이터 생성부(350)는 다음의 수학식을 통해 특정 신호의 방향성 편향을 산출할 수 있다.
[수학식]
여기에서, DRUL은 방향성 편향이고, Yupper 및 Ylower은 각각 제1 및 제2 변곡점이며, diff()는 미분함수이다. 즉, 학습 데이터 생성부(350)는 진동 데이터의 특정 방향을 기준으로 특성 데이터의 포락선을 도출하고, 각 포락선에 대한 제1 및 제2 변곡점에서의 기울기들을 산출한 후 기울기의 차이에 관한 평균값을 해당 방향에 대한 방향성 편향으로 결정할 수 있다. 예를 들어, 진동 데이터의 경우 방향성 편향은 주축 방향 및 반경 방향에 대해 각각 산출될 수 있으며, 특성 데이터에 따라 다양한 개수의 방향성 편향들이 도출될 수 있다.
수명 예측 모델 구축부(370)는 학습 데이터를 학습하여 롤투롤 공정 상의 롤 베어링의 수명을 예측하는 수명 예측 모델을 구축할 수 있다. 수명 예측 모델 구축부(370)는 학습 데이터 생성부(350)에 의해 생성된 학습 데이터를 학습하여 롤 베어링의 수명 예측을 위한 수명 예측 모델을 구축할 수 있다. 이때, 수명 예측 모델 구축부(370)는 특성 데이터에 따라 학습 알고리즘을 선택적으로 적용할 수 있으며, 필요에 따라 복수의 학습 알고리즘을 독립적으로 적용하여 복수의 수명 예측 모델들을 구축할 수도 있다.
일 실시예에서, 수명 예측 모델 구축부(370)는 학습 데이터에 대해 서포트 벡터 머신을 포함하는 머신러닝 기법을 적용하여 베어링 진단 모델을 구축할 수 있다. 서포트 벡터 머신(support vector machine)은 기계학습 알고리즘 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며 주로 분류와 회귀 분석을 위해 사용될 있다. 수명 예측 모델 구축부(370)는 수명 예측 모델과 독립적인 모델로서 베어링 진단 모델을 구축할 수 있으며, 베어링 진단 모델의 경우 롤 베어링의 이상을 진단하는 동작을 수행할 수 있다. 즉, 베어링 진단 모델은 롤 베어링의 결함에 관한 주파수 성분의 특성을 학습하여 측정된 진동 데이터로부터 베어링의 이상을 검출하거나 또는 이상(즉, 결함)의 종류를 예측하는 동작을 수행할 수 있다.
잔여 수명 예측부(390)는 수명 예측 모델에 대해 시간에 대한 건전성 인자(Health indicator)를 입력하여 기 설정된 임계값에 도달하는 시점을 기준으로 롤 베어링의 잔여 수명을 예측할 수 있다. 즉, 임계값에 도달하는 시점은 롤 베어링의 잔여 수명이 종료되는 시점에 해당할 수 있으며, 잔여 수명 예측부(390)는 현재 시점을 기준으로 롤 베어링이 임계값에 도달하는 시점이 예측된 경우 현재 시점에서 해당 도달 시점까지의 시간을 산출하여 롤 베어링의 잔여 수명을 결정할 수 있다.
일 실시예에서, 잔여 수명 예측부(390)는 베어링 진단 모델 및 수명 예측 모델을 단계별로 적용하여 롤 베어링의 잔여 수명을 예측할 수 있다. 보다 구체적으로, 잔여 수명 예측부(390)는 1차적으로 베어링 진단 모델을 통해 롤 베어링의 결함을 검출할 수 있고, 결함이 검출된 경우 2차적으로 수명 예측 모델을 통해 롤 베어링의 잔여 수명을 예측할 수 있다.
일 실시예에서, 잔여 수명 예측부(390)는 롤 베어링에 관한 이상이 검출되거나 또는 잔여 수명이 소정의 임계 수명 미만으로 예측된 경우, 이에 관한 알림을 생성하여 제공할 수 있다. 이 경우, 해당 알림은 공정 장치(110)에게 전달될 수 있고, 공정 장치(110)의 출력부를 통해 출력되어 사용자에게 전달될 수 있다.
제어부(도 3에 미도시함)는 수명 예측 모델 구축 장치(130)의 전체적인 동작을 제어하고, 진동 데이터 측정부(310), 특징 데이터셋 구축부(330), 학습 데이터 생성부(350), 수명 예측 모델 구축부(370) 및 잔여 수명 예측부(390) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법을 설명하는 도면이다.
도 4를 참조하면, 수명 예측 모델 구축 장치(130)는 진동 데이터 측정부(310)를 통해롤투롤 공정의 동작 과정에서 발생되는 진동 데이터를 측정할 수 있다(단계 S410). 수명 예측 모델 구축 장치(130)는 특징 데이터셋 구축부(330)를 통해 진동 데이터로부터 적어도 하나의 특징 데이터를 추출하여 특징 데이터셋을 구축할 수 있다(단계 S430).
또한, 수명 예측 모델 구축 장치(130)는 학습 데이터 생성부(350)를 통해 특징 데이터셋을 기초로 단조성(monotonicity) 및 상관성(correlation)에 관한 특징 데이터를 선별하여 학습 데이터를 생성할 수 있다(단계 S450). 수명 예측 모델 구축 장치(130)는 수명 예측 모델 구축부(370)를 통해 학습 데이터를 학습하여 롤투롤 공정 상의 롤 베어링의 수명을 예측할 수 있다(단계 S470).
도 5는 본 발명에 따른 베어링의 진동 데이터를 설명하는 도면이다
도 5를 참조하면, 수명 예측 모델 구축 장치(130)는 롤 베어링의 수직방향에 부착된 3축 가속도 센서를 통해 진동 데이터를 특성 데이터로서 수집할 수 있다. 수명 예측 모델 구축 장치(130)는 수명 예측 모델의 정확도를 향상시키기 위하여 신호의 특징 데이터 중 단조성을 가지는 성분을 추출하여 선택적으로 활용할 수 있다.
도 5에서, 수명 예측 모델 구축 장치(130)는 진동 데이터에 관한 신호의 포락선을 도출할 수 있고, 각 포락선 상에서 변곡점에 해당하는 Yupper와 Ylower의 기울기를 산출할 수 있다. 수명 예측 모델 구축 장치(130)는 기울기 간의 차이에 관한 평균값을 계산하여 신호의 특성값(DRUL)을 산출할 수 있다. 이때, 신호의 특성값은 방향성 편향에 해당할 수 있다. 수명 예측 모델 구축 장치(130)는 특성값이 큰 축 방향 데이터를 사용하여 첨도, 왜도, 표준편차, 평균값, 중간값, RMS, Peak to RMS 등의 특징 데이터를 추출할 수 있고, 특징 데이터 기반의 회귀 모델을 사용하여 수명 예측 모델을 구축할 수 있다.
도 6a 및 6b는 베어링의 축방향 진동 데이터를 설명하는 도면이다.
도 6a 및 6b를 참조하면, 수명 예측 모델 구축 장치(130)는 롤 베어링의 진동 데이터를 수집하고, 진동 데이터를 각 축 방향에 따라 구분할 수 있다. 도 6a는 x축 방향의 진동 데이터에 해당할 수 있고, 도 6b는 y축 방향의 진동 데이터에 해당할 수 있다. 특히, 수명 예측 모델 구축 장치(130)는 각 축에 대한 방향성 편향을 산출할 수 있으며, 롤 베어링에 관한 진동 실험을 통해 다음의 표 1과 같은 실험 결과가 도출될 수 있다.
Axis DRUL
X axis 0.417
Y axis 0.443
표 1을 참조하면, 롤 베어링의 x축에 관한 방향성 편향보다 y축에 관한 방향성 편향이 더 크게 나타날 수 있다. 이에 따라, 수명 예측 모델 구축 장치(130)는 Y축 방향의 특징 데이터만을 선별적으로 이용하여 수명 예측 모델을 위한 학습 데이터를 생성할 수 있다.
도 7a 및 7b는 본 발명에 따른 베어링의 수명 예측 결과를 설명하는 도면이다.
도 7a 및 7를 참조하면, 수명 예측 모델 구축 장치(130)는 기 구축된 수명 예측 모델을 이용하여 롤 베어링에 관한 잔여 수명을 예측할 수 있다. 구체적으로, 수명 예측 모델 구축 장치(130)는 수명 예측 모델에 대해 시간에 대한 건전성 인자(Health indicator)를 입력함에 따라 기 설정된 임계값에 도달하는 잔여 수명을 예측할 수 있다.
도 7a와 같이, 138일 데이터 입력 시 예측 잔여 수명은 약 310일로 계산될 수 있으며, 신뢰구간은 250 ~ 340일에 해당할 수 있다. 또한, 도 7b와 같이, 736일 데이터 입력 시 예측 잔여 수명은 약 52일로 계산될 수 있으며, 신뢰 구간은 5 ~ 110일에 해당할 수 있다. 한편, 해당 실험에서 실제 잔여 수명은 32일로 나타날 수 있으며, 신뢰 구간에 실제 잔여 수명과 예측 잔여 수명이 존재하므로 잔여 수명 예측이 가능하다는 사실이 도출될 수 있다.
Actual RUL(RA) Predict RUL(RP) Computation time
Previous method 5,730 s 4,723 s(83.57%) 128 min
Proposed method 4,480 s 4,148 s(92.59%) 68 min
한편, 상기의 표 2와 같이 데이터의 방향성 편향을 구하여 수명 예측 모델을 구성한 결과 주성분 분석 시 크기 변화에 따라 수명이 변하는 것을 예측할 수 있다. 최종 예측 수명 α-λ 그래프 상에서 실제 수명 신뢰도 곡선과 예측 수명 신뢰도 곡선이 겹치는 점에서, 로우(Raw) 데이터보다 방향성 편향을 사용한 건전성 인자 사용이 보다 적절할 수 있다. 상기 실험에서 사용한 신뢰도(Accuracy)는 다음의 수학식 1과 같이 표현될 수 있다.
[수학식 1]
여기에서, RA는 Actual RUL(Remaining Useful Life), Rp는 Predict RUL이다.
도 8은 본 발명에 따른 수명 예측 모델 구축 방법을 설명하는 순서도이다.
도 8을 참조하면, 수명 예측 모델 구축 장치(130)는 크게 세가지 단계를 통해 롤 베어링 수명 예측 모델을 구축할 수 있다. 즉, 수명 예측 모델 구축 단계는 특징 추출(Feature extraction) 단계(S810), 특징 선택(Feature selection) 단계(S830) 및 모델 구축(Model construction) 단계(S850)로 진행될 수 있다.
먼저, 특징 추출 단계(S810)는 롤 베어링에 부착된 센서를 통해 진동 데이터를 수집하고, 진동 데이터로부터 방향성 편향(directional bias)을 포함하는 특징들을 추출하여 특징 데이터셋(Feature set)을 생성하는 단계에 해당할 수 있다. 이때, 특징 데이터셋은 다양한 특징 데이터들로 구성될 수 있으며, 시간 도메인 특징들(Time domain features), 주파수 도메인 스펙트럼(Frequency domain spectral), 시간-주파수 도메인 특징들(Time-frequency Domain features) 등을 포함할 수 있다.
특징 선택 단계(S830)는 특징 데이터셋을 기초로 단조성(monotonicity)과 상관성(correlation)에 기반하여 특징들을 선별하고, 선별된 특징들(selected features)에 관한 학습 데이터를 생성하는 단계에 해당할 수 있다. 이때, 학습 데이터는 선별된 특징들의 조합으로 표현될 수 있다.
또한, 모델 구축 단계(S850)는 학습 데이터를 학습하여 수명 예측 모델을 구축하는 단계에 해당할 수 있다. 일 실시예에서, 수명 예측 모델은 와이블 분포(Weibull distribution)를 기반으로 정의될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 수명 예측 모델 구축 시스템
110: 공정 장치 130: 수명 예측 모델 구축 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 진동 데이터 측정부 330: 특징 데이터셋 구축부
350: 학습 데이터 생성부 370: 수명 예측 모델 구축부
390: 잔여 수명 예측부

Claims (10)

  1. 롤투롤 공정의 동작 과정에서 발생되는 진동 데이터를 측정하는 단계;
    상기 진동 데이터로부터 적어도 하나의 특징 데이터를 추출하여 특징 데이터셋을 구축하고, 상기 진동 데이터로부터 경험적 모드 분해법을 적용하여 주파수 성분을 추출하는 단계;
    상기 특징 데이터셋을 기초로 단조성(monotonicity) 또는 상관성(correlation)에 관한 특징 데이터를 선별하여 학습 데이터를 생성하는 단계; 및
    상기 학습 데이터를 학습하여 상기 롤투롤 공정 상의 롤 베어링의 수명을 예측하는 수명 예측 모델을 구축하는 단계;를 포함하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  2. 제1항에 있어서, 상기 진동 데이터를 측정하는 단계는
    상기 롤투롤 공정의 롤 베어링에 부착된 3축 가속도 센서를 통해 상기 롤 베어링의 동작 과정에서 발생하는 진동을 측정하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  3. 제2항에 있어서, 상기 진동 데이터를 측정하는 단계는
    상기 롤 베어링의 하우징에 수직방향으로 상기 3축 가속도 센서를 부착하여 상기 진동을 측정하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  4. 삭제
  5. 제1항에 있어서, 상기 특징 데이터셋을 구축하는 단계는
    상기 주파수 성분 중에서 상기 롤 베어링의 결함에 관한 고유 주파수 성분을 시간 도메인으로 획득하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  6. 제5항에 있어서, 상기 학습 데이터를 생성하는 단계는
    상기 시간 도메인의 특징 데이터들에 대해 첨도, 왜도, 표준편차 및 평균값을 포함하는 특징변수들을 각각 추출하여 상기 학습 데이터를 구성하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  7. 제1항에 있어서, 상기 학습 데이터를 생성하는 단계는
    상기 특징 데이터셋을 기초로 특정 신호에 관한 포락선을 도출하는 단계;
    상기 포락선 상에서 제1 변곡점 및 제2 변곡점의 기울기들을 산출하는 단계;
    상기 기울기들을 이용하여 상기 특정 신호의 방향성 편향(directional bias)을 결정하는 단계; 및
    상기 방향성 편향이 가장 큰 축 방향을 결정하고 해당 축 방향의 특징 데이터들을 이용하여 상기 학습 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  8. 제7항에 있어서, 상기 학습 데이터를 생성하는 단계는
    다음의 수학식을 통해 상기 특정 신호의 방향성 편향을 산출하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
    [수학식]


    (여기에서, DRUL은 방향성 편향이고, Yupper 및 Ylower은 각각 제1 및 제2 변곡점이며, diff()는 미분함수이다.)
  9. 제6항에 있어서, 상기 수명 예측 모델을 구축하는 단계는
    상기 학습 데이터에 대해 서포트 벡터 머신을 포함하는 머신러닝 기법을 적용하여 베어링 진단 모델을 구축하는 단계를 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
  10. 제1항에 있어서,
    상기 수명 예측 모델에 대해 시간에 대한 건전성 인자(Health indicator)를 입력하여 기 설정된 임계값에 도달하는 시점을 기준으로 상기 롤 베어링의 잔여 수명을 예측하는 단계;를 더 포함하는 것을 특징으로 하는 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법.
KR1020210172155A 2021-12-03 2021-12-03 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법 KR102634666B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210172155A KR102634666B1 (ko) 2021-12-03 2021-12-03 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210172155A KR102634666B1 (ko) 2021-12-03 2021-12-03 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법

Publications (2)

Publication Number Publication Date
KR20230083810A KR20230083810A (ko) 2023-06-12
KR102634666B1 true KR102634666B1 (ko) 2024-02-07

Family

ID=86769986

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210172155A KR102634666B1 (ko) 2021-12-03 2021-12-03 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법

Country Status (1)

Country Link
KR (1) KR102634666B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101735524B1 (ko) * 2012-05-18 2017-05-15 한화테크윈 주식회사 롤투롤 장치 및 이를 포함한 스크린 프린터

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3880455B2 (ja) * 2002-05-31 2007-02-14 中国電力株式会社 転がり軸受の余寿命診断方法及びこの余寿命診断装置
KR101823746B1 (ko) 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
KR102178787B1 (ko) * 2018-10-17 2020-11-13 고려대학교 산학협력단 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101735524B1 (ko) * 2012-05-18 2017-05-15 한화테크윈 주식회사 롤투롤 장치 및 이를 포함한 스크린 프린터

Also Published As

Publication number Publication date
KR20230083810A (ko) 2023-06-12

Similar Documents

Publication Publication Date Title
JP6076751B2 (ja) 異常診断方法およびその装置
US10977568B2 (en) Information processing apparatus, diagnosis method, and program
JP6216242B2 (ja) 異常検知方法およびその装置
EP3379360B1 (en) Anomaly detection system and anomaly detection method
JP5945350B2 (ja) 設備状態監視方法およびその装置
KR101903283B1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
WO2019142331A1 (ja) 障害予測システムおよび障害予測方法
WO2017094267A1 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
JP5431235B2 (ja) 設備状態監視方法およびその装置
Kumar et al. Approach to fault identification for electronic products using Mahalanobis distance
US20120041575A1 (en) Anomaly Detection Method and Anomaly Detection System
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP6223936B2 (ja) 異常傾向検出方法およびシステム
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
JP6200833B2 (ja) プラントと制御装置の診断装置
EP3910437B1 (en) Monitoring apparatus, monitoring method, and computer-readable medium
Ghorbani et al. Estimating remaining useful life of turbofan engine using data-level fusion and feature-level fusion
JP5824959B2 (ja) 異常診断装置
KR102634666B1 (ko) 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법
JP2015232914A (ja) 異常診断装置、異常診断方法及び異常診断プログラム
KR102602840B1 (ko) 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법
Bălănică et al. A multi-model approach for anomaly detection and diagnosis using vibration signals
Langone et al. A flexible and interpretable framework for predicting anomalous behavior in Industry 4.0 environments
JP7012928B2 (ja) 状態変動検出装置及び状態変動検出用プログラム
Efanov et al. Assessment of the State of Complex Technical Objects Based on the Analysis of Time Series Anomalies

Legal Events

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