KR102675488B1 - 차량용 베어링의 수명예측 방법 - Google Patents

차량용 베어링의 수명예측 방법 Download PDF

Info

Publication number
KR102675488B1
KR102675488B1 KR1020220060236A KR20220060236A KR102675488B1 KR 102675488 B1 KR102675488 B1 KR 102675488B1 KR 1020220060236 A KR1020220060236 A KR 1020220060236A KR 20220060236 A KR20220060236 A KR 20220060236A KR 102675488 B1 KR102675488 B1 KR 102675488B1
Authority
KR
South Korea
Prior art keywords
bearing
signal
noise removal
frequency
unit
Prior art date
Application number
KR1020220060236A
Other languages
English (en)
Other versions
KR20230160574A (ko
Inventor
정기철
문철우
Original Assignee
한국자동차연구원
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 한국자동차연구원 filed Critical 한국자동차연구원
Priority to KR1020220060236A priority Critical patent/KR102675488B1/ko
Publication of KR20230160574A publication Critical patent/KR20230160574A/ko
Application granted granted Critical
Publication of KR102675488B1 publication Critical patent/KR102675488B1/ko

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

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

Abstract

본 개시의 일 실시예에 의하면, (a) 가속도센서에 의해 베어링 근접신호가 수집되는 단계; (b1) 노이즈 제거부의 푸리에 변환부가 베어링 주파수신호를 생성하는 단계; (b2) 상기 노이즈 제거부의 모델저장부가, 학습모델에 상기 (b1) 단계에서 생성된 상기 베어링 주파수신호를 입력함으로써 예측 잡음제거 신호를 출력하는 단계; (b3) 상기 푸리에 변환부가 상기 (b2) 단계에서 출력된 상기 예측 잡음제거 주파수신호를 이용하여 예측 잡음제거 신호를 생성하는 단계; 및 (c) 특징추출부가, 상기 (b3) 단계에서 생성된 상기 예측 잡음제거 신호를 이용하여 BPF(ball pass frequency) 주파수대역에서의 에너지 레벨을 연산하는 단계를 포함하며, 상기 연산된 에너지 레벨을 이용하여 베어링의 수명을 예측하는, 베어링의 수명예측 방법을 제공한다.

Description

차량용 베어링의 수명예측 방법{Method and Device for Predicting Life of Bearings for Vehicles}
본 개시는 차량용 베어링의 수명예측 방법에 관한 것으로, 구체적으로는 기계학습을 이용하여 차량의 모터 및 감속기에 사용되는 베어링의 고장을 감지하고, 수명을 예측하는 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 개시에 대한 배경정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
전기자동차에는 모터와 감속기가 필수적으로 구비되어야 한다. 전기자동차의 감속기는 샤프트(shaft)와 베어링(bearing)으로 이루어지며, 베어링은 샤프트의 회전운동을 지지하도록 구성된다. 베어링은 주행 중 1톤 이상의 하중을 지지하며, 지속적인 부하를 견디게 된다. 실제로, 모터-감속기 어셈블리 고장의 대부분은 베어링 내외륜 균열 및 파손에 기인한다. 이러한 고장은 차량의 작동 시 이음(異音)을 발생시키고, 주행 시 사용자가 이질감을 느끼게 되어, 사용자의 불편을 초래한다.
그럼에도, 현재 전기자동차에 적용되는 베어링의 고장을 진단하는 알고리즘에 관한 기술이 미비한 실정이다. 이로 인해, 이음이 발생하거나 주행감에 이상을 느낀 사용자가 고장 여부를 확인하게 되고, 이때, 모터 및 감속기의 진단 및 교체를 위한 오버홀(overhaul)까지 야기하게 되어, 사용자가 경제적으로 부담을 느끼는 문제점이 있다.
관련하여, 회전부품 또는 차량부품의 열화를 예측하기 위한 다양한 문헌들이 공개되어 있으나, 노이즈 제거를 위해서는 필연적으로 두 개 이상의 센서를 이용하여야 하는바, 차량에 장착되는 부품의 무게가 증가하고, 차량의 양산 비용이 증대되는 문제점이 있다.
또한, 베어링은 내륜, 외륜 및 볼을 포함하여 각각의 구성요소에 고장이 발생할 수 있음에도, 각 구성요소 별 고장정보를 알 수 없다는 점에서 고장진단이 불명확하다는 문제점이 있다.
(특허문헌) KR 10-1808461 B1
(특허문헌) JP 6881086 B2
이에, 본 개시는 차량의 모터-감속기에 적용되는 베어링의 고장을 진단하고, 수명을 예측함으로써, 사용자가 고장에 대비할 수 있도록 하는 차량용 베어링의 수명예측 방법 및 장치를 제공하는 데 목적이 있다.
또한, 본 개시는 하나의 가속도 센서만으로 노이즈자 제거된 신호를 취득할 수 있는 차량용 베어링의 수명예측 방법 및 장치를 제공하는 데 목적이 있다.
또한, 본 개시는 베어링의 내륜, 외륜 및 볼의 각 고장정보를 제공할 수 있는 차량용 베어링의 수명예측 방법 및 장치를 제공하는 데 목적이 있다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 실시예에 의하면, (a) 가속도센서에 의해 베어링 근접신호가 수집되는 단계; (b1) 노이즈 제거부의 푸리에 변환부가 상기 베어링 근접신호에 대해 STFT(short time fourier transform) 및 피크값 추출(peak extraction)을 함으로써 베어링 주파수신호를 생성하는 단계; (b2) 상기 노이즈 제거부의 모델저장부가, 베어링 주파수신호를 입력자료로 하고 잡음제거 주파수신호를 출력자료로하여 생성되어 있는 학습모델에, 상기 (b1) 단계에서 생성된 상기 베어링 주파수신호를 입력함으로써 예측 잡음제거 신호를 출력하는 단계; (b3) 상기 푸리에 변환부가 상기 (b2) 단계에서 출력된 상기 예측 잡음제거 주파수신호를 IFFT(inverse fast fourier transform)함으로써 예측 잡음제거 신호를 생성하는 단계; 및 (c) 특징추출부가, 상기 (b3) 단계에서 생성된 상기 예측 잡음제거 신호에 대해 포락선(envelope) 처리 및 FFT(fast fourier transformation)함으로써, BPF(ball pass frequency) 주파수대역에서의 에너지 레벨을 연산하는 단계를 포함하며, 상기 연산된 에너지 레벨을 이용하여 베어링의 수명을 예측하는, 베어링의 수명예측 방법을 제공한다.
또한, 바람직하게는, 본 개시의 상기 (b2) 단계는, (b20) 베어링 및 소음원 사이에 배치되되 상기 베어링에 더 가깝게 배치되는 제1 학습용 가속도센서로부터 베어링 근접신호가 수집되고, 상기 베어링 및 상기 소음원 사이에 배치되되 상기 소음원에 더 가깝게 배치되는 제2 학습용 가속도센서로부터 소음원 근접신호가 수집되는 단계; (b21) 상기 베어링 근접신호 및 상기 소음원 근접신호가 전처리부에 전송되면, 상기 전처리부가 상기 베어링 근접신호와 상기 소음원 근접신호를 이용하여 적응형 노이즈 캔슬(adaptive noise cancellation)함으로써, 적응형 잡음제거 신호를 생성하는 단계; (b22) 상기 전처리부는, 상기 베어링 근접신호와 상기 적응형 잡음제거 신호를 각각 STFT(short time fourier transform) 및 피크값 추출함으로써, 베어링 주파수신호 및 잡음제거 주파수신호를 생성하는 단계; (b23) 상기 베어링 주파수신호 및 상기 잡음제거 주파수신호가 모델생성부에 전송되면, 상기 모델생성부가 상기 베어링 주파수신호를 입력자료로 하고, 상기 잡음제거 주파수신호를 출력자료로 하여 학습모델을 생성하는 단계; 및 (b24) 생성된 상기 학습모델이 상기 노이즈 제거부에 전송 및 저장되는 단계를 포함한다.
또한, 바람직하게는, 본 개시의 상기 BPF 주파수대역은, 베어링 축회전 주파수(fn), 베어링 볼 직경(d), 베어링 피치 직경(D) 및 베어링 접촉각(θ)에 관한 수학식 1, 수학식 2 및 수학식 3에 따라 결정된 BPFI(ball pass frequency inner), BPFO(ball pass frequency outer) 및 BSF(ball spin frequency)의 값을 포함한다. 이때, 수학식은 아래와 같다.
[수학식 1]
[수학식 2]
[수학식 3]
또한, 바람직하게는, 본 개시의 상기 (c) 단계는, (c1) 상기 특징추출부가, 상기 BPFI 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제1 고장 특징 주파수대역, 상기 BPFO 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제2 고장 특징 주파수대역 및 상기 BSF 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제3 고장 특징 주파수대역을 도출하는 단계; 및 (c2) 상기 특징추출부가, 상기 제1 고장 특징 주파수대역, 제2 고장 특징 주파수대역 및 제3 고장 특징 주파수대역에서의 각각의 에너지 레벨을 연산하는 단계를 포함한다.
또한, 바람직하게는, 본 개시의 상기 (c) 단계 이후, (d) 고장진단부가, 상기 (c2) 단계에서 연산된 각각의 에너지 레벨을 기 설정된 방법에 따라 이용하여 고장을 진단하는 단계를 더 포함한다.
또한, 바람직하게는, 본 개시의 상기 고장진단부는, 상기 각각의 에너지 레벨을 미리 결정된 방법으로 연산한 값이, 기준 에너지 레벨 이상인 것으로 판단된 경우 고장인 것으로 판단하되, 상기 기준 에너지 레벨은, 사용자에 의해 이음(異音) 발생하는 것으로 판단되기 시작한 에너지 레벨이다.
또한, 바람직하게는, 본 개시의 상기 (c) 단계 이후, (e1) 베어링 수명예측부가, 상기 (c2) 단계에서 연산된 각각의 에너지 레벨과 주행거리에 대한 회귀 알고리즘(regression algorithm)을 이용하여 예측 주행거리를 연산하는 단계; 및 (e2) 상기 베어링 수명예측부가, 상기 예측 주행거리를 기 설정된 방법에 따라 이용하여 예상 주행 가능거리를 연산하는 단계를 더 포함한다.
또한, 바람직하게는, 본 개시의 상기 학습모델은, CNN, DNN 및 SVM 중 어느 하나에 따라 생성된 모델이다.
이상에서 설명한 바와 같이, 본 개시의 일 실시예에 따른 방법 및 장치가 전기자동차의 모터-감속기에 적용되는 베어링의 고장을 진단하고 남은 수명을 예측함으로써, 사용자가 고장에 대비할 수 있다는 효과가 있다.
또한, 본 개시의 일 실시예에 따른 방법 및 장치가 하나의 가속도센서만으로 노이즈가 제거된 신호를 취득할 수 있어, 제조 비용의 절감이 가능하다는 효과가 있다.
또한, 본 개시의 일 실시예에 따른 방법 및 장치는 베어링의 내륜, 외륜 및 볼의 각 고장 특징을 추출할 수 있어, 사용자에게 다양한 정보를 제공할 수 있고, 고장을 보다 정확하게 진단할 수 있다는 효과가 있다.
도 1은 본 개시의 일 실시예에 따른 베어링의 수명예측 방법의 순서도이다.
도 2는 본 개시의 일 실시예에 따른 베어링의 수명예측 시 생성되는 신호를 나타낸 것이다.
도 3은 본 개시의 일 실시예에 따른 베어링의 수명예측 장치의 블록도이다.
도 4는 본 개시의 일 실시예에 따른 학습모델 생성단계의 순서도이다.
도 5는 본 개시의 일 실시예에 따른 학습모델을 이용한 베어링 고장진단 및 베어링 수명예측의 순서도이다.
도 6은 본 개시의 일 실시예에 따른 베어링의 수명예측 방법에 의해 획득된 신호의 예시이다.
도 7 및 도 8은 본 개시의 일 실시예에 따른 학습모델을 이용한 출력자료의 예시이다.
도 9는 본 개시의 일 실시예에 따른 베어링의 수명예측 방법에 이용되는 주파수대역을 설명하기 위한 것이다.
도 10은 본 개시의 일 실시예에 따른 베어링의 수명예측 방법의 순서도이다.
도 11은 본 개시의 일 실시예에 따른 회귀 알고리즘의 예시이다.
이하, 본 개시의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 개시에 따른 실시예의 구성요소를 설명하는 데 있어서, 제1, 제2, i), ii), a), b) 등의 부호를 사용할 수 있다. 이러한 부호는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 부호에 의해 해당 구성요소의 본질 또는 차례나 순서 등이 한정되지 않는다. 명세서에서 어떤 부분이 어떤 구성요소를 '포함' 또는 '구비'한다고 할 때, 이는 명시적으로 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에서, 각 순서도는 시계열적으로 수행되는 것으로 도시되었으나, 반드시 이에 한정되는 것은 아니며, 각 순서도의 단계는 동시에 수행될 수도 있음에 유의한다. 예컨대, 본 개시의 고장 진단 단계(S130) 및 수명 예측단계(S140)는 반드시 선후 관계를 가지는 것은 아니며, 동시에 수행될 수도 있다.
한편, 본 개시에서, BPF는 BPFI, BPFO 및 BSF를 총칭하는 용어이며, 별 다른 설명이 없는 한, BPF라 함은 BPFI, BPFO 및 BSF를 모두 포함하는 것으로 이해한다.
또한, 본 개시에서 "고장 특징"이란 'BPF 주파수대역에서의 에너지 레벨'을 의미한다.
또한, 본 개시에서 "제1 고장 특징 주파수대역"이란 BPFI 주파수대역을 의미한다.
또한, 본 개시에서 "제2 고장 특징 주파수대역"이란 BPFO 주파수대역을 의미한다.
또한, 본 개시에서 "제3 고장 특징 주파수대역"이란 BSF 주파수대역을 의미한다.
베어링 수명예측 방법의 구성 및 수명예측 방법의 개괄
우선, 베어링 수명예측 장치(20)의 상세 구성을 설명한다. 도 2는 본 개시의 일 실시예에 따른 베어링의 수명예측 시 생성되는 신호를 나타낸 것이다. 도 3은 본 개시의 일 실시예에 따른 베어링의 수명예측 장치의 블록도이다.
도 2 및 도 3을 참조하여, 베어링 수명예측 장치의 구성과 예측을 위해 이용되는 데이터를 설명한다.
본 개시의 일 실시예에 따른 베어링 수명예측 장치(20)는, 가속도센서(21), 노이즈 제거부(22), 특징추출부(23), 고장진단부(24) 및 베어링 수명예측부(25)의 전부 또는 일부를 포함한다. 한편, 베어링 수명예측 장치(20)의 구성은 기본적으로 차량 내부에 배치된 것을 전제로 하여 설명한다.
가속도센서(21)는 베어링의 가속도를 측정하도록 구성되며, 이를 위해 가속도센서(21)는 차량의 베어링에 근접하도록 배치된다. 가속도센서(21)에 의해 수집되는 베어링 근접신호는 시간-가속도 정보이며, 도 6의 (a)에 나타난 것과 같은 형식의 정보가 수집된다.
노이즈 제거부(22)는 베어링 근접신호로부터 예측 잡음제거 신호를 출력하도록 구성된다. 베어링 근접신호가 노이즈 제거부(22)에 전송되면, 노이즈 제거부는 학습(learning)과 푸리에 역변환(IFFT, inverse fast foureir transform)을 이용하여 예측 잡음제거 신호를 생성할 수 있다. 이를 위해, 노이즈 제거부(22)는 푸리에 변환부(220) 및 모델저장부(222)를 포함한다.
푸리에 변환부(220)는, 노이즈 제거부(22)에 입력된 시간 도메인의 신호를 주파수 도메인 신호로 변환하고, 모델저장부(222)로부터 출력된 주파수 도메인 신호를 시간 도메인 신호로 변환하도록 구성된다.
모델저장부(222)은 저장된 학습모델을 이용하여 노이즈를 포함하는 신호를 노이즈가 제거된 신호로 출력하도록 구성된다. 이때 학습모델은 노이즈제거 학습모델 생성장치(10)에 의해 생성되어 전송된다. 노이즈제거 학습모델 생성장치(10)는 이후에 상세히 기술한다.
한편, 노이즈 제거부(22)는 차량에 탑재된 ECU(electric computing unit, 미도시)에 저장된 연산모듈일 수 있다. 이러한 경우, 노이즈 제거부(22)는 가속도센서(21)와 버스(bus)를 이용한 통신 또는 무선통신이 가능하다. 한편, 노이즈 제거부(22)는 차량의 외부에 구비된 서버(server, 미도시) 또는 클라우드(cloud, 미도시)에 구비된 연산모듈일 수 있다. 이러한 경우, 가속도센서(21)로부터 수집된 정보는, 차량에 구비된 통신부(미도시)를 통해 노이즈 제거부(22)와 무선통신할 수 있다.
특징추출부(23)는, 예측 잡음제거 신호로부터 BPF(ball pass frequency) 주파수대역에서의 에너지 레벨을 연산하도록 구성된다. BPF에 관하여 도 9에서 상세히 설명한다.
고장진단부(24)는 BPF 주파수대역에서의 에너지 레벨을 이용하여 베어링의 내륜, 외륜 및 불의 고장을 진단하고, 베어링 수명예측부(25)는 BPF 주파수대역에서의 에너지 레벨을 이용하여 베어링의 수명, 즉, 예측 주행거리를 연산하도록 구성된다.
이하에서는, 본 개시의 일 실시예에 따른 베어링 수명예측 방법의 개괄을 설명한다. 도 1은 본 개시의 일 실시예에 따른 베어링의 수명예측 방법의 순서도이다.
도 1을 참조하면, 가속도센서(21)에 의해 베어링 근접신호가 수집된다(S100).
베어링 근접신호는 노이즈 제거부(22)에 전송 및 입력되고, 노이즈 제거부(22)에 베어링 근접신호가 입력되면, 노이즈가 제거된 예측 잡음제거 신호를 출력한다(S110).
예측 잡음제거 신호는 특징추출부(23)에 전송되고, 특징추출부(23)는 예측 잡음제거 신호를 이용하여 고장 특징을 추출한다(S120). 여기서, 고장 특징이란, BPF 주파수대역에서의 에너지 레벨로서, 주파수 도메인 신호이다.
상기한 에너지 레벨은 고장진단부(24)에 전송되고, 고장진단부(24)는 기 설정된 방법에 따라 고장을 진단한다(S130).
또한, 상기한 에너지 레벨은 베어링 수명예측부(25)에도 전송되고, 베어링 수명예측부(25)는 기 설정된 방법에 따라 고장을 진단한다(S140).
노이즈제거 학습모델 장치의 학습모델 생성 방법
이하에서는, 도 2 및 도 3을 참조하여, 노이즈제거 학습모델 생성장치(10)의 구성과 모델 생성을 위해 이용되는 데이터를 설명한다.
노이즈제거 학습모델 생성장치(10)는 베어링 수명예측 장치(20)와는 달리 차량에 탑재되지 않고, 별도로 마련된 모델 학습을 위한 공간에 배치되는 것을 전제로 하여 설명한다.
노이즈제거 학습모델 생성장치(10)는 제1 학습용 가속도센서(12), 제2 학습용 가속도센서(14), 전처리부(16) 및 모델생성부(18)의 전부 또는 일부를 포함한다.
제1 학습용 가속도센서(12)는 베어링 및 소음원 사이에 배치되되, 베어링에 더 가깝게 배치된다. 이때, 제1 학습용 가속도센서(12)에 의해 수집되는 신호를 베어링 근접신호라고 지칭한다(도 3 참조).
제2 학습용 가속도센서(14)는 베어링 및 소음원 사이에 배치되되, 소음원에 더 가깝게 배치된다. 이때, 제2 학습용 가속도센서(14)에 의해 수집되는 신호를 소음원 근접신호라고 지칭한다(도 3 참조).
전처리부(16)는 베어링 근접신호 및 소음원 근접신호를 이용하여 적응형 잡음제거(ANC; adaptive noise cancellation)함으로써, 적응형 잡음제거 신호를 생성한다. 여기서, 적응형 잡음제거는 공지의 노이즈 캔슬링 기술일 수 있다. 한편, 적응형 잡음제거 신호는 시간 도메인 신호이다.
전처리부(16)는 베어링 근접신호와 신호처리된 적응형 잡음제거 신호를 각각 STFT(short time fourier transform) 및 피크값 추출(peak extraction)함으로써, 베어링 주파수신호 및 잡음제거 주파수신호를 생성하도록 구성된다(도 3 참조). 여기서, STFT는 본 개시의 기술영역에서 널리 쓰이는 주파수 변환 방법일 수 있다. 또한, 피크값 추출 시, 본 개시의 기술영역에서 널리 쓰이는 피크값 추출 알고리즘이 이용될 수 있다.
모델생성부(18)는, 베어링 주파수신호 및 잡음제거 주파수신호를 전송받고, 베어링 주파수신호를 입력자료로 하고 잡음제거 주파수신호를 출력자료로 하는 학습모델을 생성한다. 이때, 학습모델은 CNN(convolutional neural network), DNN(deep neural network) 및 SVM(support vector machine) 중 어느 하나에 따라 생성된 모델일 수 있다. 즉, 소음이 제거되지 않은 신호에 해당하는 베어링 주파수신호가 학습모델에 입력되면, 소음이 제거된 신호에 해당하는 잡음제거 주파수신호가 출력되는 것이다.
이렇게 생성된 학습모델은, 유선 또는 무선 통신을 통해 베어링 수명예측 장치(20)의 모델저장부(222)에 전송된다. 이때, 상기한 학습모델은 수시로 업데이트되어, ota 방식 등을 통해 모델저장부(222)에 전송될 수 있다.
도 4는 본 개시의 일 실시예에 따른 학습모델 생성단계의 순서도이다.
도 4를 참조하여, 본 개시의 일 실시예에 의한 노이즈제거 학습모델 생성장치(10)를 이용한 노이즈제거 학습모델 생성방법을 설명한다. 제1 학습용 가속도센서(12)에 의해 베어링 근접신호가 수집되고, 제2 학습용 가속도센서(14)에 의해 소음원 근접신호가 수집된다. 이때, 베어링 근접신호와 소음원 근접신호는 모두 시간 도메인에서의 신호이다.
수집된 베어링 근접신호와 소음원 근접신호는, 전처리부(16)에 전송된다.
전처리부(16)는 베어링 근접신호와 소음원 근접신호를 적응형 노이즈 캔슬(ANC)함으로써, 적응형 잡음제거 신호를 생성한다. 이때, 적응형 잡음제거 신호는 시간 도메인에서의 신호이다.
이후에, 전처리부(16)는 베어링 근접신호와 적응형 잡음제거 신호 각각에 대해 STFT 및 피크값 추출을 수행한다. 이로 인해, 베어링 근접신호는 베어링 주파수신호로, 적응형 잡음제거 신호는 잡음제거 주파수신호로 변환된다. 이때, 명칭에서도 알 수 있다시피, 베어링 주파수신호와 잡음제거 주파수신호는 주파수 도메인에서의 신호이다.
베어링 주파수신호와 잡음제거 주파수신호는 모델생성부(18)에 전송된다.
모델생성부(18)는 베어링 주파수신호를 입력자료로하고, 잡음제거 주파수신호를 출력자료로 하는 신경망을 학습함으로써, 학습모델을 생성한다.
생성된 학습모델은 노이즈 제거부(22)의 모델저장부(222)로 전송 및 저장된다.
학습모델을 이용한 고장진단 및 베어링 수명예측 방법
도 5는 본 개시의 일 실시예에 따른 학습모델을 이용한 베어링 고장진단 및 베어링 수명예측의 순서도이다. 도 6은 본 개시의 일 실시예에 따른 베어링의 수명예측 방법에 의해 획득된 신호의 예시이다.
도 5 및 도 6을 참조하여, 실제 주행하는 차량에 구비된 베어링의 고장을 진단하고 예측하는 방법에 대해 상세히 설명한다.
가속도센서(21)에 의해 베어링 근접신호가 수집된다. 베어링 근접신호는 노이즈 제거부(22)에 전송된다. 이때, 베어링 근접신호는 시간 도메인에서의 신호이다.
푸리에 변환부(220)는 수신한 베어링 근접신호를 STFT 및 피크값 추출을 수행함으로써, 베어링 주파수신호를 생성한다. 베어링 주파수신호는, 주파수 도메인에서의 신호이다.
베어링 주파수신호는 모델저장부(222)에 전송되고, 모델저장부(222)는 저장된 학습모델을 이용하여 예측 잡음제거 주파수신호를 출력한다. 이때, 예측 잡음제거 주파수신호는 주파수 도메인에서의 신호이다.
예측 잡음제거 주파수신호는 다시 푸리에 변환부(220)에 전송되고, 푸리에 변환부(220)는 IFFT(inverse fast fourier transform)함으로써 예측 잡음제거 신호를 생성한다. 이때, 예측 잡음제거 신호는 시간 도메인에서의 신호이다.
예측 잡음제거 신호는 특징추출부(23)에 전송되고, 특징추출부(23)는 예측 잡음제거 신호를 이용하여 고장 특징을 추출한다. 여기서, 고장 특징은 BPF 주파수대역에서의 에너지 레벨을 의미한다.
BPF는 BPFI(ball pass frequency inner; 내륜볼 통과 주파수), BPFO(ball pass frequency outer; 외륜볼 통과 주파수) 및 BSF(ball spin frequency; 볼 자전 주파수)를 포함한다. BPFI, BPFO 및 BSF(이하, 통칭하여 "BPF")는 베어링 축회전 주파수(fn), 베어링 볼 직경(d), 베어링 피치 직경(D) 및 베어링 접촉각(θ)에 관한 [수학식 1], [수학식 2] 및 [수학식 3]을 이용하여 도출될 수 있다. 여기서, d는 베어링 볼 직경을 의미하며(도 9 참조), D는 베어링 피치 직경을 의미한다(도 9 참조). 축회전 주파수란, 피치의 회전 주파수를 의미한다. 접촉각이란, 축에 수직한 선과 볼 중심에서 볼과 내륜 및 외륜이 접촉하는 호의 접촉점이 있는 선 사이의 각도를 의미한다.
특징추출부(23)는 수학식들에 의해 도출된 BPFI, BPFO 및 BSF를 이용하여 각 주파수에서의 주파수대역을 도출하고, 각 대역에서의 에너지 레벨을 연산한다. 이때, BPFI 값의 ± 0.5 % 내지 3 %를 폭으로 하는 주파수대역을 제1 고장 특징 주파수대역이라 하며, BPFO 값의 ± 0.5 % 내지 3 %를 폭으로 하는 주파수대역을 제2 고장 특징 주파수대역이라 하고, BSF 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제3 고장 특징 주파수대역이라 한다. 특징추출부(23)는, 제1 고장 특징 주파수대역, 제2 고장 특징 주파수대역 및 제3 고장 특징 주파수대역에서의 각각의 에너지 레벨을 연산한다. 이때, 각 주파수대역에 따른 에너지 레벨을 이용해 전문가와 사용자는 내륜, 외륜 및 볼의 이상(異常)을 각각 알아볼 수도 있으나, 본 개시에서는 모든 에너지 레벨을 이용하는 것을 전제로 하여 설명한다.
한편, 특징추출부(23)는 예측 잡음제거 신호를 포락선(envelope) 처리 및 FFT(fast fourier transform)함으로써 원해는 대역에서의 에너지 레벨을 연산할 수 있다. 도 6의 (a)는 예측 잡음제거 신호 결과, (b)는 예측 잡음제거 신호에 대해 FFT한 결과, (c)는 예측 잡음제거 신호에 대해 포락선 처리한 결과, (d)는 예측 잡음제거 신호에 대해 포락선 처리한 신호에 대해 FFT한 결과를 나타낸 것이다. 여기서, 포락선 처리는 신호처리 분야에서 기 공지된 신호처리 기법 중 하나인바, 본 개시에서는 포락선 처리의 상세한 방법에 관한 설명은 생략된다. 한편, 포락선 처리를 하지 않은 (b)와 포락선 처리를 한 (d)를 비교하면 포락선 처리를 수행할 경우, BPF 성분(도 6에서는 142 Hz 부근)에서의 피크가 뚜렷한 것을 확인할 수 있다. 일반적으로 베어링 고장에 의해 발생하는 진동은 임펄스(impulse) 진동 형태이며, 이러한 임펄스 형태의 진동은 20000 Hz 이상의 주파수 성분으로 구성되기에, 일반적인 푸리에 변환으로는 원하는 대역에서의 성분을 정확히 추출할 수 없는 반면, 본 개시에 따른 특징추출부(23)에 따르면 원하는 대역에서의 성분을 정확히 추출할 수 있다는 장점이 있다.
제1 고장 특징 주파수대역, 제2 고장 특징 주파수대역 및 제3 고장 특징 주파수대역에서의 각각의 에너지 레벨이 연산되면, 특징추출부(23)는 제1 내지 제3 고장 특징 주파수대역에 대해 연산을 수행하여, BPF 주파수대역에서의 에너지 레벨을 연산한다(이때, 연산식은 미리 정해져 있다).
이렇게 연산된 BPF 주파수대역에서의 에너지 레벨은 고장진단부(24) 및 베어링 수명예측부(25)에 전송된다. 고장진단부(24)는 기 설정된 방법에 따라 에너지 레벨을 이용하여 베어링의 고장을 진단한다. 이때, 기 설정된 방법이란 룰베이스 알고리즘에 따른 고장 진단 방법일 수 있다. 예컨대, BPF 주파수대역에서의 에너지 레벨이 기준 에너지 레벨 이상인 것으로 판단되면, 고장진단부(24)는 베어링 고장인 것으로 판단할 수 있다. 여기서, 기준 에너지 레벨은 사용자에 의해 이음(異音) 발생하는 것으로 판단되기 시작한 에너지 레벨을 의미한다. 또는, 고장진단부(24)의 고장 진단 방법은 머신러닝(machine learning)을 이용한 고장 진단 방법일 수 있다.
베어링 수명예측부(25)는 베어링의 수명, 즉, 주행 가능 거리를 연산한다. 관련하여, 도 10에서 상세히 설명한다.
한편, 도 7 및 도 8은 본 개시의 일 실시예에 따른 학습모델을 이용한 출력자료의 예시이다. 도 7 및 도 8에서의 실험은 본 개시에 따른 노이즈제거 학습모델 생성장치(10)를 이용한 것이며, 감속기에 부착된 가속도센서에 의해 수집된 신호의 BPFI 및 BPFO 주파수대역에서의 에너지 레벨을 추출한 결과를 나타낸 것이다. 각 그래프에서 파란색 원형기호 및 빨간색 원형기호는 베어링에 고장이 발생하지 않은 정상상태를 나타낸 것이며, 노란색 원형기호는 베어링에 고장이 발생한 고장상태를 나타낸 것이다.
이때, 각 실험은 600초의 시간동안 진행되었으며, 고장 특징을 추출하기 위하여 신호가 10초 간격으로 분할되되, 8초의 오버랩을 가지도록 분할된다. 한편, 실험 조건이 상기한 조건과 상이해질 경우, 도출되는 결과는 다를 수 있음에 유의한다.
도 7은 모터회전수가 1500 rpm이고, 모터토크는 35 Nm일 때 실험결과를 나타낸 것이다. 구체적으로, 도 7의 (a)는 비교실험으로서, 본 개시에 따른 베어링 수명예측 장치(20)를 이용하지 않고, BPFI 및 BPFO 주파수대역에서의 에너지 레벨을 연산한 것이다. 도 7의 (b)는 베어링 수명예측 장치(20)를 이용하되, 그 학습모델이 DNN을 이용한 결과를 나타낸 것이다. 또한, 7의 (c)는 베어링 수명예측 장치(20)를 이용하되, 그 학습모델이 CNN을 이용한 결과를 나타낸 것이다.
도 7의 (a)에 따르면, 파란색, 빨간색 및 노란색 원형기호가 구분이 쉽지 않고 대체로 혼재되어 있다. 반면 (b) 및 (c)를 참조하면, 노란색 원형기호가 파란색과 빨간색 원형기호와 구분되어 있어, 고장이 발생했을 때, 확연하게 차이가 드러난다는 것을 알 수 있다. 즉, 노이즈가 제거되지 않은 원신호(raw signal)을 그대로 활용할 경우, 고장 특징(노란색 원형기호)이 제대로 추출되지 않으나, 본 개시에 따른 베어링 수명예측 장치를 이용할 경우 고장 특징이 제대로 추출되는 것을 알 수 있다.
또한, 도 8은 모터회전수가 4500 rpm이고, 모터토크는 80 Nm일 때 본 개시에 의한 노이즈제거 학습모델 생성장치(10)를 이용한 실험결과를 나타낸 것이다. 구체적으로, 도 8의 (a)는 비교실험으로서, 본 개시에 따른 베어링 수명예측 장치(20)를 이용하지 않고, BPFI 및 BPFO 주파수대역에서의 에너지 레벨을 연산한 것이다. 도 8의 (b)는 베어링 수명예측 장치(20)를 이용하되, 그 학습모델이 DNN을 이용한 결과를 나타낸 것이다. 또한, 8의 (c)는 베어링 수명예측 장치(20)를 이용하되, 그 학습모델이 CNN을 이용한 결과를 나타낸 것이다.
도 8의 (a) 내지 (c)를 참조하면, 도 7에서와 마찬가지로, 노이즈가 제거되지 않은 원신호(raw signal)을 그대로 활용할 경우, 고장 특징(노란색 원형기호)이 제대로 추출되지 않으나, 본 개시에 따른 베어링 수명예측 장치를 이용할 경우 고장 특징이 제대로 추출되는 것을 알 수 있다.
도 7 내지 도 8에서 확인할 수 있듯이, 본 개시에 따른 베어링 수명예측 장치(20)를 이용할 경우, 하나의 가속도센서(21)만으로도 비교적 정확하게 고장 특징을 추출할 수 있다는 효과가 있다.
도 10은 본 개시의 일 실시예에 따른 베어링의 수명예측 방법의 순서도이다. 도 11은 본 개시의 일 실시예에 따른 회귀 알고리즘의 예시이다.
도 10을 참조하면, 본 개시에 따른 특징추출부(23)에 의해 BPFI, BPFO 및 BSF 주파수대역에서의 각각의 에너지 레벨이 연산된다(S1000). 한편, 도 10에서는 ± 1 % 대역에서의 에너지 레벨이 연산되는 것으로 도시되어 있으나, 이는 예시적인 수치에 불과하며, 설계자의 선택에 따라 0.5 % 내지 3 % 의 수치 중 어느 값이라도 될 수 있음에 유의한다. 한편, 특징추출부(23)에 의해, BPFI, BPFO 및 BSF 주파수대역에서의 에너지 레벨(즉, 제1 내지 제3 고장 특징 주파수대역)에 대한 연산이 수행되어, BPF 주파수대역에서의 에너지 레벨(즉, 고장 특징 주파수대역에서의 에너지 레벨)이 연산된다.
베어링 수명예측부(25)는 연산된 고장 특징 주파수대역에서의 에너지 레벨과 주행거리간의 회귀 알고리즘을 학습한다(S1010). 도 11에 도시된 회귀 알고리즘에 따르면, 점으로 표시된 부분은 연산된 고장 특징 주파수대역에서의 에너지 레벨이다. 또한, 점선으로 표시된 부분은 추세선이다. 베어링 수명예측부(25)는 추세선을 이용하여, 연산된 고장 특징 주파수대역에서의 에너지 레벨(도 11의 세로축)의 값에 해당하는 주행거리를 연산하고, 잔여 주행 가능 주행거리를 연산할 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 노이즈제거 학습모델 생성장치
12: 제1 학습용 가속도센서
14: 제2 학습용 가속도센서
16: 전처리부
18: 모델생성부
20: 베어링 수명예측 장치
21: 가속도센서
22: 노이즈 제거부
220: 푸리에 변환부
222: 모델저장부
23: 특징추출부
24: 고장진단부
25: 베어링 수명예측부

Claims (8)

  1. (a) 가속도센서에 의해 베어링 근접신호가 수집되는 단계;
    (b1) 노이즈 제거부의 푸리에 변환부가 상기 베어링 근접신호에 대해 STFT(short time fourier transform) 및 피크값 추출(peak extraction)을 함으로써 베어링 주파수신호를 생성하는 단계;
    (b2) 상기 노이즈 제거부의 모델저장부가, 베어링 주파수신호를 입력자료로 하고 잡음제거 주파수신호를 출력자료로하여 생성되어 있는 학습모델에, 상기 (b1) 단계에서 생성된 상기 베어링 주파수신호를 입력함으로써 예측 잡음제거 신호를 출력하는 단계;
    (b3) 상기 푸리에 변환부가 상기 (b2) 단계에서 출력된 상기 잡음제거 주파수신호를 IFFT(inverse fast fourier transform)함으로써 예측 잡음제거 신호를 생성하는 단계; 및
    (c) 특징추출부가, 상기 (b3) 단계에서 생성된 상기 예측 잡음제거 신호에 대해 포락선(envelope) 처리 및 FFT(fast fourier transformation)함으로써, BPF(ball pass frequency) 주파수대역에서의 에너지 레벨을 연산하는 단계를 포함하되,
    상기 포락선(envelope) 처리는 기 설정된 방법에 의해 수행될 수 있고,
    상기 연산된 에너지 레벨을 이용하여 베어링의 수명을 예측하는,
    베어링의 수명예측 방법.
  2. 제1항에 있어서,
    상기 (b2) 단계는,
    (b20) 베어링 및 소음원 사이에 배치되되 상기 베어링에 더 가깝게 배치되는 제1 학습용 가속도센서로부터 베어링 근접신호가 수집되고, 상기 베어링 및 상기 소음원 사이에 배치되되 상기 소음원에 더 가깝게 배치되는 제2 학습용 가속도센서로부터 소음원 근접신호가 수집되는 단계;
    (b21) 상기 베어링 근접신호 및 상기 소음원 근접신호가 전처리부에 전송되면, 상기 전처리부가 상기 베어링 근접신호와 상기 소음원 근접신호를 이용하여 적응형 노이즈 캔슬(adaptive noise cancellation)함으로써, 적응형 잡음제거 신호를 생성하는 단계;
    (b22) 상기 전처리부는, 상기 베어링 근접신호와 상기 적응형 잡음제거 신호를 각각 STFT(short time fourier transform) 및 피크값 추출함으로써, 베어링 주파수신호 및 잡음제거 주파수신호를 생성하는 단계;
    (b23) 상기 베어링 주파수신호 및 상기 잡음제거 주파수신호가 모델생성부에 전송되면, 상기 모델생성부가 상기 베어링 주파수신호를 입력자료로 하고, 상기 잡음제거 주파수신호를 출력자료로 하여 학습모델을 생성하는 단계; 및
    (b24) 생성된 상기 학습모델이 상기 노이즈 제거부에 전송 및 저장되는 단계를 포함하는,
    베어링의 수명예측 방법.
  3. 제1항에 있어서,
    상기 BPF(ball pass frequency) 주파수대역은, 베어링 축회전 주파수(fn), 베어링 볼 직경(d), 베어링 피치 직경(D) 및 베어링 접촉각(θ)에 관한 수학식 1, 수학식 2 및 수학식 3에 따라 결정된 BPFI(ball pass frequency inner), BPFO(ball pass frequency outer) 및 BSF(ball spin frequency)의 값을 포함하는,
    [수학식 1]
    [수학식 2]
    [수학식 3]
    베어링의 수명예측 방법.
  4. 제3항에 있어서,
    상기 (c) 단계는,
    (c1) 상기 특징추출부가, 상기 BPFI(ball pass frequency inner) 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제1 고장 특징 주파수대역, 상기 BPFO(ball pass frequency outer) 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제2 고장 특징 주파수대역 및 상기 BSF(ball spin frequency) 값의 ± 0.5 % 내지 3 %를 폭으로 하는 제3 고장 특징 주파수대역을 도출하는 단계; 및
    (c2) 상기 특징추출부가, 상기 제1 고장 특징 주파수대역, 제2 고장 특징 주파수대역 및 제3 고장 특징 주파수대역에서의 각각의 에너지 레벨을 연산하는 단계를 포함하는,
    베어링의 수명예측 방법.
  5. 제4항에 있어서,
    상기 (c) 단계 이후,
    (d) 고장진단부가, 상기 (c2) 단계에서 연산된 각각의 에너지 레벨을 기 설정된 방법에 따라 이용하여 고장을 진단하는 단계를 더 포함하는,
    베어링의 수명예측 방법.
  6. 제5항에 있어서,
    상기 고장진단부는, 상기 각각의 에너지 레벨을 미리 결정된 방법으로 연산한 값이, 기준 에너지 레벨 이상인 것으로 판단된 경우 고장인 것으로 판단하되,
    상기 기준 에너지 레벨은, 사용자에 의해 이음(異音) 발생하는 것으로 판단되기 시작한 에너지 레벨인,
    베어링의 수명예측 방법.
  7. 제4항에 있어서,
    상기 (c) 단계 이후,
    (e1) 베어링 수명예측부가, 상기 (c2) 단계에서 연산된 각각의 에너지 레벨과 주행거리에 대한 회귀 알고리즘(regression algorithm)을 이용하여 예측 주행거리를 연산하는 단계; 및
    (e2) 상기 베어링 수명예측부가, 상기 예측 주행거리를 기 설정된 방법에 따라 이용하여 예상 주행 가능거리를 연산하는 단계를 더 포함하는,
    베어링의 수명예측 방법.
  8. 제1항에 있어서,
    상기 학습모델은, CNN, DNN 및 SVM 중 어느 하나에 따라 생성된 모델인,
    베어링의 수명예측 방법.
KR1020220060236A 2022-05-17 2022-05-17 차량용 베어링의 수명예측 방법 KR102675488B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220060236A KR102675488B1 (ko) 2022-05-17 2022-05-17 차량용 베어링의 수명예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220060236A KR102675488B1 (ko) 2022-05-17 2022-05-17 차량용 베어링의 수명예측 방법

Publications (2)

Publication Number Publication Date
KR20230160574A KR20230160574A (ko) 2023-11-24
KR102675488B1 true KR102675488B1 (ko) 2024-06-17

Family

ID=88972298

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220060236A KR102675488B1 (ko) 2022-05-17 2022-05-17 차량용 베어링의 수명예측 방법

Country Status (1)

Country Link
KR (1) KR102675488B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101883584B1 (ko) 2014-02-14 2018-07-30 가부시키가이샤 고베 세이코쇼 가스 공급 장치, 수소 스테이션 및 가스 공급 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101883584B1 (ko) 2014-02-14 2018-07-30 가부시키가이샤 고베 세이코쇼 가스 공급 장치, 수소 스테이션 및 가스 공급 방법

Also Published As

Publication number Publication date
KR20230160574A (ko) 2023-11-24

Similar Documents

Publication Publication Date Title
Liu et al. Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis
Wang et al. Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests
Esfahani et al. Multisensor wireless system for eccentricity and bearing fault detection in induction motors
JP4560110B2 (ja) 異常診断装置及び異常診断方法
Yoon et al. Vibration‐based wind turbine planetary gearbox fault diagnosis using spectral averaging
US20220108570A1 (en) Unusual-noise determination device for vehicle
WO2020050761A1 (en) Method to detect vehicle component or system failure
Jiang et al. Intelligent fault diagnosis of gearbox based on vibration and current signals: A multimodal deep learning approach
KR102675488B1 (ko) 차량용 베어링의 수명예측 방법
KR20150026416A (ko) 자동차 허브 베어링 모니터링 시스템 및 모니터링 방법
CN114636554A (zh) 电驱动系统轴承故障监测方法和装置
CN114742111B (zh) 基于参数自适应特征模态分解故障诊断方法和系统
CN101634589A (zh) 一种设备振动信号的处理方法
Jang et al. Vibration data feature extraction and deep learning-based preprocessing method for highly accurate motor fault diagnosis
Gao et al. Machine‐Learning‐Based Intelligent Mechanical Fault Detection and Diagnosis of Wind Turbines
Ahsan et al. Early-stage fault diagnosis for rotating element bearing using improved harmony search algorithm with different fitness functions
Choi et al. Diagnosis of electric motor using acoustic noise based on CNN
Saidi et al. Wind turbine high-speed shaft bearing degradation analysis for run-to-failure testing using spectral kurtosis
CN112781877A (zh) 一种走行部轴承故障诊断方法、装置及系统
JP2015031563A (ja) 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置
Medina et al. Poincaré plot features from vibration signal for gearbox fault diagnosis
CN113447267B (zh) 一种基于振动信号分析的齿轮箱整机状态评估方法和系统
WO2019065736A1 (ja) 状態監視装置および状態監視方法
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法
CN115329810A (zh) 牵引电机健康诊断方法及系统

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