KR20020028626A - 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법 - Google Patents

동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법 Download PDF

Info

Publication number
KR20020028626A
KR20020028626A KR1020000059733A KR20000059733A KR20020028626A KR 20020028626 A KR20020028626 A KR 20020028626A KR 1020000059733 A KR1020000059733 A KR 1020000059733A KR 20000059733 A KR20000059733 A KR 20000059733A KR 20020028626 A KR20020028626 A KR 20020028626A
Authority
KR
South Korea
Prior art keywords
range
threshold
value
desired value
determining
Prior art date
Application number
KR1020000059733A
Other languages
English (en)
Inventor
소병석
Original Assignee
윤종용
삼성전자 주식회사
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 윤종용, 삼성전자 주식회사 filed Critical 윤종용
Priority to KR1020000059733A priority Critical patent/KR20020028626A/ko
Publication of KR20020028626A publication Critical patent/KR20020028626A/ko

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35269—Checking data, parity, diagnostic

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 동적인 문턱값을 이용하여 모델링 불확실성이 존재하는 비선형 시스템에 대한 고장을 진단하기 위한 고장 진단 장치 및 방법을 개시한다. 본 발명에 따른 장치는, 비선형적으로 동작하는 시스템의 고장 진단장치에 있어서, 원하는 값에 대응되는 모델 기반 문턱값과 시스템의 모델링 불확실성을 고려한 오차 범위을 이용하여 원하는 값에 대응되는 상위범위 및 하위범위 동적 문턱값을 결정하는 동적 문턱값 결정기; 원하는 값과 시스템에서 출력되는 값간의 차이와 동적 문턱값 결정기로부터 제공되는 상위 범위 및 하위범위 동적 문턱값을 비교하여 시스템에 대한 고장을 진단하는 고장 진단기를 포함한다. 따라서 모델링 불확실성이 존재하는 비선형 시스템에 대한 고장 진단을 기존에 비해 좀더 정확하게 할 수 있다.

Description

동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법{Fault diagnosis apparatus of nonlinear system based on dynamic threshold and method thereof}
본 발명은 비선형 시스템의 고장 진단(fault diagnosis) 장치 및 방법에 관한 것으로, 특히, 동적 문턱값에 의한 비선형 시스템의 고장 진단 장치 및 방법에 관한 것이다.
비선형 시스템은 불확실성을 갖는 모델링 요소가 존재하고 비선형적으로 움직이는 기능을 갖는 것으로, 예를 들어 로봇 시스템이나 CNC(Computer Numerical Control)머신, X-Y테이블, 진자(pendulum) 시스템과 같은 플랜트(plant)등을 들 수 있다. 이러한 비선형 시스템은 구동조건에 의해 시스템의 매개 변수가 변화하거나 비선형적인 변화에 의해 고장이 발생할 수 있다. 이 때 발생되는 고장은 제한된 인간의 능력으로 관리 감독 및 수리가 어렵거나 불가능할 수 있다. 또한, 상기 고장으로 인해 생산성 감소나 고가의 장비 손실 뿐만 아니라 인명 피해까지 초래할 수 있다. 따라서, 상기 비선형 시스템과 같은 시스템에서는 고장에 대한 자동적 진단뿐만 아니라 효과적인 보상이 필요하다.
상술한 고장에 대한 자동적 진단을 위해, 주로 문턱값을 이용한다. 즉, 기존의 고장 진단 장치는 해당되는 시스템의 출력이 주어진 문턱값의 범위를 벗어났을 경우에, 해당 시스템에 고장이 발생된 것으로 진단하도록 구현되어 있다. 이 때, 이용되는 문턱값은 고정된 문턱값(constant threshold) 혹은 동적인 문턱값(dynamic threshold)이다. 고정된 문턱값은 임의로 상수 크기만큼의 오차 허용범위를 결정하여 고장을 감지하는 방법으로 항상 최악의 경우를 고려하여 설정하므로 효과적인 고장 감지가 어렵다. 반면에 동적 문턱값은 정상시스템의 동작 허용가능범위 혹은 오차 허용 가능 범위를 매순간 동적으로 계산하므로 고장진단의 신뢰도가 높고 신속한 고장 진단 및 복구를 도모할 수 있다.
동적 문턱값을 추출하는 기존의 방식으로는 Horak 등이 제안한 RMI(Reachable Measurement Interval, 이하 RMI라고 약함)방법과 Visinsky 등이 제안한 ThMB(Model-Based Threshold, 이하 ThMB라고 약함)방법이 있다.
RMI방법은 시스템의 계수들중 알고 있는 부분과 정확히 알지 못하지만 범위를 측정할 수 있는 계수들이 포함된 부분으로 분리하고, 각 계수들이 가지는 범위를 이용하여 시스템의 출력오차의 허용 가능 범위를 정하며, 이를 이용하여 고장을 감지하는 방법이다. 그러나, RMI방법으로 불확실한 계수들이 포함된 부분의 값들을 계산할 경우, 각 부분들간의 상호 연관성 부족으로 인해 고장진단 허용범위가 커지며, 계산시간이 많이 소요되는 단점이 있다.
ThMB방법은 RMI방법의 단점을 보완하기 위하여 모델 기반 시스템의 출력과 원하는 출력값의 차이를 계산하여 문턱값을 결정한다. 즉, 비선형 시스템 방정식을 매개 변수에 관해 선형화하여 각 계수들간의 상호 연관성을 고려한 방법으로 RMI방법보다 계산량이 적으며, 고장진단 허용 범위가 축소되어 보다 신속한 고장 진단을 가능하게 한다.
상술한 2방법에서는 정확한 공칭모델(nominal model)을 근거로 하여 일부 계수들의 불확실성을 어느 정도 고려한 동적인 문턱값을 설정하고 있다. 그러나, 실제 비선형 시스템에는 모델링 오차, 마찰 및 외란 등과 같이 모델링 불확실성이 존재하는데, 이는 잘못된 고장 진단의 원인이 된다. 따라서, 상술한 2방법은 모델링 불확실성이 존재하는 비선형 시스템에 대한 고장 진단에 그대로 적용하기는 어렵다.
본 발명은 동적인 문턱값을 이용하여 모델링 불확실성이 존재하는 비선형 시스템에 대한 고장을 진단하기 위한 고장 진단 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적은 신경 회로망과 모델 기반 문턱값 추출(ThMB)방법을 이용하여 모델링 불확실성이 존재하는 비선형 시스템에 대한 고장을 진단하기 위한 고장 진단 장치 및 방법을 제공하는데 있다.
도 1은 본 발명에 따른 비선형 시스템의 고장 진단장치를 구비한 시스템의 블럭도이다.
도 2는 본 발명에 따른 비선형 시스템의 고장 진단방법의 동작 흐름도이다.
도 3a, b는 모델 기반 문턱값만을 이용한 진자 시스템의 고장 진단 결과 예시도이다.
도 4a, b는 본 발명에 따른 알고리즘을 적용한 진자 시스템의 고장 진단 결과 예시도이다.
<도면의 주요부분에 대한 부호의 설명>
101:비선형 시스템103:제어기
110:동적 문턱값 결정기120:고장 진단기
본 발명이 이루고자 하는 목적을 달성하기 위하여 본 발명에 따른 장치는, 비선형적으로 동작하는 시스템의 고장 진단장치에 있어서, 원하는 값에 대응되는 모델 기반 문턱값과 시스템의 모델링 불확실성을 고려한 오차 범위을 이용하여 원하는 값에 대응되는 상위범위 및 하위범위 동적 문턱값을 결정하는 동적 문턱값 결정기; 원하는 값과 시스템에서 출력되는 값간의 차이와 동적 문턱값 결정기로부터 제공되는 상위 범위 및 하위범위 동적 문턱값을 비교하여 시스템에 대한 고장을 진단하는 고장 진단기를 포함하는 것이 바람직하다.
본 발명의 목적들을 달성하기 위하여 동적 문턱값 결정기는, 원하는 값에 대한 모델 기반 상위 및 하위 문턱값을 걸정하는 모델 기반 문턱값 결정부; 시스템에 대한 모델링 불확실성을 고려한 학습으로, 원하는 값에 대한 모델링 불확실성을 고려한 오차범위의 상위 및 하위 오차범위를 제공하는 신경 회로망; 문턱값 결정부로부터 제공되는 상위 문턱값과 신경 회로망으로부터 제공되는 하위 오차범위를 이용하여 상위범위 동적 문턱값을 결정하는 상위범위 결정부;문턱값 결정부로부터 제공되는 하위 문턱값과 신경 회로망으로부터 제공되는 상위 오차범위를 이용하여 하위범위 동적 문턱값을 결정하는 하위범위 결정부를 포함하는 것이 바람직하다.
본 발명이 이루고자 하는 목적들을 달성하기 위하여 본 발명에 따른 방법은, 비선형적으로 동작하는 시스템의 고장 진단방법에 있어서, (a)시스템에 대한 원하는 값에 대응되는 시스템에 대한 모델링 불확실성을 고려한 오차범위를 결정하는 단계;(b) 원하는 값에 대한 모델 기반 문턱값을 결정하는 단계;(c) (a)단계에서 결정된 오차 범위와 (b)단계에서 결정된 문턱값을 이용하여 원하는 값에 대한 상위 및 하위범위 동적 문턱값을 결정하는 단계;(d) (c)단계에서 결정된 상위 및 하위 범위 동적 문턱값과 원하는 값과 시스템으로부터 출력되는 값간의 차이를 비교하여 시스템의 고장 여부를 진단하는 단계를 포함하는 것이 바람직하다.
이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명한다.
본 발명에 따른 동적 문턱값에 의한 비선형 시스템의 고장 진단장치를 포함하는 시스템의 블록도인 도 1은, 고장 진단 대상이 되는 비선형 시스템(101), 인가되는 원하는 값(qd)과 소정의 계수들에 따라 비선형 시스템(101)에 대한 토크(torgue)를 계산하여 비선형 시스템(101)을 제어하는 제어기(103), 인가되는 원하는 값(qd)에 대응되는 동적 문턱값을 검출하기 위한 동적 문턱값 검출기(110), 원하는 값(qd)과 비선형 시스템(101)으로부터 출력되는 값(qr)간의 차와 동적 문턱값 검출기(110)로부터 출력되는 값을 비교하여 비선형 시스템(101)에 대한 고장 발생여부를 진단하는 고장 진단기(120)로 구성된다.
비선형 시스템(101)은 상술한 바와 같이 비선형적으로 움직이는 기능을 갖는 것으로, 불확실성을 갖는 모델링 요소가 존재하는 것이다. 예를 들어 로봇 시스템이나 CNC(Computer Numerical Control)머신, X-Y테이블, 진자(pendulum) 시스템과 같은 플랜트(plant) 등이 이에 해당된다.
제어기(103)는 비선형 시스템(101)에 대한 토크 계산 제어기와 같은 것으로서, 인가되는 원하는 값(qd)와 Kd와 Kp계수들을 이용하여 비선형 시스템(101)의 구동을 제어한다. 비선형 시스템(101)에 대한 구동 제어방식은 기존의 토크 계산기 제어기를 이용하여 원하는 방향으로 동작시키는 것과 유사하게 이루어진다. Kd와 Kp계수들은 비선형 시스템(101)의 에러가 0으로 수렴되도록 설정되는 상수이다.
동적 문턱값 검출기(110)는 인가되는 원하는 값(qd)에 대응되는 동적 문턱값을 결정하기 위하여, 도 1에 도시된 바와 같이 모델 기반 문턱값 결정부(111), 공칭 모델(nominal model)(113), 신경회로망(115), 상위범위 결정부(117), 하위범위 결정부(119)로 구성된다.
모델 기반 문턱값 결정부(111)는 소정의 샘플링 단위로 인가되는 원하는 값(qd)에 대응되는 상위 및 하위 최대 허용 문턱값을 결정한다. 결정방식은 기존의 모델 기반 문턱값 알고리즘(즉, ThMB방식)을 이용한다. 결정된 상위 최대 허용 문턱값은 상위범위 결정부(117)로 출력한다. 결정된 하위 최대 허용 문턱값은 하위범위 결정부(119)로 출력한다.
예를 들어, 비선형 시스템(101)에 대한 출력 오차 각 가속도 em"을 하기 수학식 1에서와 같이 원하는 각가속도(qd")와 공칭 모델(113)에서 모델링 가능한 각가속도(qm")의 차이로 두었을 때, 모델 기반 문턱값 결정부(111)는 공칭 관성질량(m')과 공칭길이(l') 및 실제 질량(m)과 실제 길이(l)를 이용한 모델 기반 문턱값 오차 범위를 수학식 2와 같이 상태 변수와 매개 변수를 분리한 수식을 이용하여 소정 단위로 결정한다. 소정 단위는 매 시간단위가 될 수 있다.
수학식 1에서 q는 실제 값이고, q'는 각 속도이고, t는 현재 시간이다. 수학식 2에서 Kd와 Kp는 제어기(103)에 설정되어 있는 계수들이고, M'은 실제 질량 m, 실제 길이 l에 대한 함수이고, Y는 q", q', q의 함수이고, P'는 m 및 l의 함수입니다. 수학식 2는 비선형 방정식과 동역학 및 토크 제어 입력을 토대로 얻어진 오차 방정식이다.
상술한 수학식 1과 수학식 2를 토대로 모델 기반 문턱값 결정부(111)에서 소정 시간단위로 결정된 하위 및 상위 최대 허용 문턱값은 하기 수학식 3과 같은 관계를 갖는다.
수학식 3에서 el"은 각가속도에 대한 하위 최대 허용 문턱값이고, eu"는 각가속도에 대한 상위 최대 허용 문턱값이다.
공칭 모델(113)은 인가되는 원하는 값(qd)에 대응되는 모델링된 출력(qm)을 상위범위 결정부(117)와 하위범위 결정부(119)로 각각 출력한다. 원하는 값(qd)에 대응되는 모델링된 출력(qm)을 검출하는 방식은 해당되는 비선형 시스템(101)이 어떠한 시스템인지에 따라 결정되며, 비선형 시스템(101)에 대응되는 기존의 공칭 모델에서 모델링 출력을 출력하는 방식과 동일한 방식으로 모델링 출력을 출력한다. 이 때, 모델링 출력은 모델 기반 문턱값 결정부(111)로부터 출력되는 최대 허용 문턱값이 각가속도에 대한 것이므로 각가속도에 해당되는 qm"가 출력되는 것으로 가정한다.
신경회로망(115)은 입출력 정보를 이용하여 비선형 시스템(101)을 온라인 혹은 오프라인으로 학습할 수 있다. 그러나, 본 실시 예에서는 오프라인으로 학습한 결과를 이용한다. 신경회로망을 학습시키는 방법은 하기 수학식 4에 나타낸 바와 같이 실제 비선형 시스템(101)의 출력값과 신경회로망 출력값의 오차 제곱합으로 정의되는 성능지수를 감소시키는 방향으로 가중치를 갱신시키는 방법인 오류 역전파 학습 알고리즘을 이용한다.
수학식 4에서 K는 출력노드의 개수이고, ydk는 학습 대상 시스템의 k번째 출력을 나타내며, yk는 신경회로망의 k번째 출력이다. yk는 하기 수학식 5와 같이 정의된다.
수학식 5에서 J와 I는 각각 은닉노드의 수와 입력노드의 수이고, xi는 i번째 입력을 나타내며, Vij는 각각 i번째 입력노드와 j번째 은닉 노드의 가중치이고, Wjk는 j번째 은닉노드와 출력층의 k번째 노드간의 가중치이다.
비선형 시스템(101)을 오프라인 학습하면, 하기 수학식 6와 같이 불확실성을 고려한 오차범위가 결정된다.
수학식 6에서 fnn(q,q')는 오프라인 학습한 신경회로망(115)의 출력으로 불확실성을 고려한 것이고, δmax는 비선형 시스템(101)과 신경회로망(115) 출력 사이의 상위 오차이고, δmin은 비선형 시스템(101)과 신경회로망(115) 출력 사이의 하위 오차이다. 상위 오차와 하위 오차는 신경회로망(115)의 학습결과에 의해 결정된다. 수학식 6에서의 δmin+fnn(q,q')는 상위범위 결정부(117)로 출력되고, δmax+fnn(q,q')는 하위범위 결정부(119)로 출력된다.
상위범위 결정부(117)와 하위범위 결정부(118)는 각각 모델 기반 문턱값 결정부(111)와 신경회로망(115)로부터 전송된 값을 이용하여 하기 수학식 7과 같은 결과를 얻는다.
그리고, 공칭 모델(113)로부터 제공된 값을 상기 수학식 7에 적용시켜, 하기 수학식 8과 같은 관계가 성립되는 상위 범위와 하위 범위를 각각 결정하여 고장 진단기(120)로 출력한다.
수학식 8에서 el"-δmax-fnn(q,q')+qm"(m,l,q,q',t)는 하위범위에 해당되는 동적 문턱값이고, eu"-δmin-fnn(q,q')+qm"(m,l,q,q',t)은 상위범위에 해당되는 동적 문턱값이다.
고장 진단기(120)는 수학식 8에 표현되어 있는 바와 같이, 현재 인가되는 원하는 값(qd)과 비선형 시스템(101)의 출력값(qr)간의 차가 동적 문턱값 결정기(110)로부터 제공된 상위범위와 하위범위에 해당되는 동적 문턱값과 비교한다. 이 때, 원하는 값(qd)은 비선형 시스템(101)에서 출력되기를 원하는 값이다. 비교결과, 원하는 값과 비선형 시스템(101)의 출력값 간의 차이가 제공된 상위범위 동적 문턱값보다 크거나 하위범위 동적 문턱값보다 작다면, 비선형 시스템(101)이 고장이 발생한 것으로 진단한 결과를 출력한다. 진단결과는 알람형태로 출력될 수 있다. 그러나, 원하는 값과 비선형 시스템(101)의 출력값 간의 차이가 제공된 상위범위 동적 문턱값보다 크지 않고 하위 범위 동적 문턱값보다 작지 않으면 비선형 시스템(101)이 정상인 것으로 진단한 결과를 출력한다. 진단 결과가 상술한 알람 형태로 출력될 경우에, 정상적으로 진단된 경우에는 아무것도 출력되지 않을 수도 있다.
도 2는 본 발명에 따른 동적 문턱값에 의한 비선형 시스템의 고장 진단방법에 대한 흐름도이다.
단계 201에서 입력층, 은닉층 및 출력층으로 구성된 신경회로망(115)을 이용하여 비선형 시스템(101)에 대한 오프라인 학습을 수행하여 원하는 값(qd)에 대한 오차범위를 상기 수학식 6과 같이 결정한다.
그 다음, 단계 202에서 상술한 모델 기반 문턱값 결정부(111)에서와 같이 원하는 값에 대응되는 모델 기반 문턱값을 결정한다. 즉, 상위 및 하위 최대 허용 문턱값(el, eu)을 결정한다.
단계 203에서 단계 202에서 결정한 모델 기반 문턱값과 단계 201에서 결정된신경회로망에 의한 오차 범위간의 차이를 결정하고, 단계204에서 공칭 모델(113)에서 모델링된 결과를 단계 203에서 결정된 차이에 적용하여 현재 원하는 값에 대응되는 상위 및 하위 동적 문턱값을 결정한다.
그리고, 단계 205에서 원하는 값과 비선형 시스템(101)의 출력간의 차이와 결정된 상위 및 하위 동적 문턱값을 비교한다. 비교결과, 상기 차이가 상위 동적 문턱값보다 크지 않고 하위 동적 문턱값보다 작지 않으면 단계 206과 단계 207를 통해 해당되는 비선형 시스템(101)이 정상적으로 동작하는 것으로 진단하고, 그에 따른 처리를 수행한다.
그러나, 단계 205에서 원하는 값과 비선형 시스템(101)의 출력간의 차이와 결정된 상위 및 하위 동적 문턱값을 비교한 결과, 상기 차이가 상위 동적 문턱값보다 크거나 하위 동적 문턱값보다 작으면, 단계 206과 단계 208을 통해 해당되는 비선형 시스템(101)이 비정상적으로 동작하는 것으로 판단하고, 그에 따른 처리를 수행한다.
상술한 동작은 단계 201을 제외하고 소정 단위(샘플링 시간간격)로 반복적으로 이루어질 수 있다. 예를 들어 매 시간단위로 반복적으로 이루어질 수 있다.
상술한 알고리즘을 하기 수학식 9와 같은 동작 특성을 갖는 진자 시스템에 제어기(103)로부터 출력되는 제어출력 토크가 수학식 10과 같고, 모델링 불확실성 fn은 하기 수학식 11과 같은 경우에 적용하였다. 이 때, 공칭 질량은 10kg이고, 공칭 길이는 1m라고 가정하였고, 실제 비선형 시스템인 진자의 질량과 길이는 각각 10.7kg이고, 1.009m이고, 시간 t=0.1에서부터 움직인다고 가정하였다.
수학식 9에서 θ"는 상술한 실시예에서 q에 해당되고, N'는 제어기(103)를 제외하고 정리한 후의 방정식(equation)이고, 수학식 11에서 F는 알 수 없었던 마찰값이며, τd는 상술한 실시예에서 q"에 해당된다.
신경회로망(115)은 하나의 은닉층을 가지며, 입력노드와 은닉노드 및 출력노드의 개수를 각각 6개, 17개, 1개로 두었으며, 학습률은 3.2로 설정하여 2000개의 표본으로 10000번의 반복 학습을 하였다. 그리고 신경 회로망(115)을 오프라인으로 학습한 후, 실제 비선형 시스템(101)과의 최대 오차를 δmax=0.102, δmin=-0.125로 설정하였다.
임의로 발생시킨 고장은 시스템의 질량이 하기 수학식 12와 같이 점차적으로 감소하는 고장이 발생되었을 때의 고장감지결과를 비교하여 진단하였다.
진자 시스템의 질량 m이 t=10에서 수학식 12와 같은 양으로 감소하는 고장이 발생한 경우에 기존의 모델 기반 문턱값 결정방식만을 적용하여 고장 진단을 수행한 결과는 도 3과 같다. 도 3a는 각속도 오차의 상위범위 및 하위 범위를 나타내며, 도 3b는 각가속도 오차의 상위범위 및 하위범위를 나타내고 있다.
도 3에 도시된 것에 의해 알 수 있는 바와 같이, 모델 기반 문턱값 결정방식만을 사용한 경우에, 잘못된 고장 진단의 원인이 되는 모델링 불확실성을 고려하지 않음으로 인해, 고장이 발생하지 않은 시간인 8초 전후에도 각속도 및 각가속도 오차가 상한 문턱값보다 크게 되어 고장이 발생되지 않았음에도 불구하고 잘못된 고장 진단을 함을 알 수 있다.
반면에 모델링 불확실성을 고려하여 모델 기반 문턱값 결정방식과 신경회로망을 이용한 본 발명에 따른 알고리즘을 적용한 결과, 도 4에 도시된 바와 같은 결과를 얻었다. 도 4a는 각속도 오차의 상위범위 및 하위범위를 나타내며, 도 4b는 각가속도 오차의 상위범위 및 하위범위를 나타내고 있다. 결과들로부터 제안한 방법을 이용할 경우에는 모델링 불확실성에 의한 잘못된 고장 진단이 발생하지 않았고, 고장이 발생된 후 각속도 및 각 가속도 오차가 하한 문턱값을 넘게 됨으로 정확하게 고장을 진단함을 알 수 있다.
상술한 바와 같이 본 발명에 의하면, 실제 비선형 시스템에 존재하는 모델링 불확실성 부분을 신경회로먕을 이용하여 오프라인으로 학습한 후, 얻어진 오차 범위와 모델 기반 문턱값 결정방식에 의해 결정된 문턱값 및 공칭 모델링에 의해 얻어진 값을 결합하여 원하는 값에 대응되는 동적인 문턱값을 결정하여 해당되는 시스템에 대한 고장을 진단함으로써, 모델링 불확실성이 존재하는 비선형 시스템에 대한 고장 진단을 기존에 비해 좀더 정확하게 할 수 있는 효과가 있다.

Claims (8)

  1. 비선형적으로 동작하는 시스템의 고장 진단장치에 있어서,
    원하는 값에 대응되는 모델 기반 문턱값과 상기 시스템의 모델링 불확실성을 고려한 오차 범위을 이용하여 상기 원하는 값에 대응되는 상위범위 및 하위범위 동적 문턱값을 결정하는 동적 문턱값 결정기;
    상기 원하는 값과 상기 시스템에서 출력되는 값간의 차이와 상기 동적 문턱값 결정기로부터 제공되는 상기 상위 범위 및 하위범위 동적 문턱값을 비교하여 상기 시스템에 대한 고장을 진단하는 고장 진단기를 포함하는 고장 진단장치.
  2. 제 1 항에 있어서, 상기 동적 문턱값 결정기는,
    상기 원하는 값에 대한 모델 기반 상위 및 하위 문턱값을 걸정하는 모델 기반 문턱값 결정부;
    상기 시스템에 대한 모델링 불확실성을 고려한 학습으로, 상기 원하는 값에 대한 상기 모델링 불확실성을 고려한 오차범위의 상위 및 하위 오차범위를 제공하는 신경 회로망;
    상기 문턱값 결정부로부터 제공되는 상위 문턱값과 상기 신경 회로망으로부터 제공되는 하위 오차범위를 이용하여 상기 상위범위 동적 문턱값을 결정하는 상위범위 결정부;
    상기 문턱값 결정부로부터 제공되는 하위 문턱값과 상기 신경 회로망으로부터 제공되는 상위 오차범위를 이용하여 상기 하위범위 동적 문턱값을 결정하는 하위범위 결정부를 포함하는 것을 특징으로 하는 고장 진단장치.
  3. 제 2 항에 있어서, 상기 동적 문턱값 결정기는 상기 시스템에 대응되는 공칭 모델을 더 구비하고, 상기 공칭 모델은 상기 원하는 값이 인가되면, 그에 대응되는 모델링 결과를 상기 상위 범위 결정부와 상기 하위범위 결정부로 각각 제공하도록 구성되고,
    상기 상위범위 결정부 및 하위범위 결정부는 상기 공칭 모델로부터 제공되는 모델링 결과를 적용하여 상기 상위범위 및 하위범위 동적 문턱값을 결정하도록 구성되는 것을 특징으로 하는 고장진단장치.
  4. 제 1 항에 있어서, 상기 고장진단기는 상기 차이가 상기 상위 범위 동적문턱값보다 크거나 상기 하위범위 동적 문턱값보다 작으면, 상기 시스템에 고장이 발생되는 것으로 진단하는 것을 특징으로 하는 고장진단장치.
  5. 비선형적으로 동작하는 시스템의 고장 진단방법에 있어서,
    (a)상기 시스템에 대한 원하는 값에 대응되는 상기 시스템에 대한 모델링 불확실성을 고려한 오차범위를 결정하는 단계;
    (b)상기 원하는 값에 대한 모델 기반 문턱값을 결정하는 단계;
    (c)상기 (a)단계에서 결정된 오차 범위와 상기 (b)단계에서 결정된 문턱값을 이용하여 상기 원하는 값에 대한 상위 및 하위범위 동적 문턱값을 결정하는 단계;
    (d)상기 (c)단계에서 결정된 상위 및 하위 범위 동적 문턱값과 상기 원하는 값과 상기 시스템으로부터 출력되는 값간의 차이를 비교하여 상기 시스템의 고장 여부를 진단하는 단계를 포함하는 고장 진단방법.
  6. 제 5 항에 있어서, 상기 (a)단계는 신경회로망을 상기 시스템에 대해 학습시킨 결과를 이용하여 상기 모델링 불확실성에 대한 오차범위를 결정하는 것을 특징으로 하는 고장 진단 방법.
  7. 제 5 항에 있어서, 상기 고장 진단 방법은,
    (e)상기 시스템에 대응되는 공칭 모델을 이용하여 상기 원하는 값에 대응되는 모델링 값을 얻는 단계를 더 포함하고,
    상기 (c)단계는 상기 상위 및 하위범위 동적 문턱값을 결정할 때, 상기 모델링 값을 더 적용하는 것을 특징으로 하는 고장 진단 방법.
  8. 제 5 항에 있어서, 상기 (d)단계는, 상기 차이가 상기 상위범위 동적 문턱값보다 크거나 상기 하위범위 동적 문턱값보다 작으면, 상기 시스템에 고장이 발생되는 것으로 진단하는 것을 특징으로 하는 고장진단 방법.
KR1020000059733A 2000-10-11 2000-10-11 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법 KR20020028626A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020000059733A KR20020028626A (ko) 2000-10-11 2000-10-11 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020000059733A KR20020028626A (ko) 2000-10-11 2000-10-11 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법

Publications (1)

Publication Number Publication Date
KR20020028626A true KR20020028626A (ko) 2002-04-17

Family

ID=19692920

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020000059733A KR20020028626A (ko) 2000-10-11 2000-10-11 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법

Country Status (1)

Country Link
KR (1) KR20020028626A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600744B1 (ko) * 2015-03-18 2016-03-08 중앙대학교 산학협력단 미지의 시간 가변 지연을 가지는 비선형 피드백 시스템 및 이에 있어서 고장 검출 및 보상 방법
CN106301610A (zh) * 2016-08-29 2017-01-04 北京航空航天大学 一种超外差接收机的自适应故障检测和诊断方法及装置
CN110297475A (zh) * 2019-07-23 2019-10-01 北京工业大学 一种基于四阶矩奇异值分解的间歇过程故障监测方法
CN112988545A (zh) * 2021-04-20 2021-06-18 湖南博匠信息科技有限公司 一种基于深度学习的vpx设备健康控制方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600744B1 (ko) * 2015-03-18 2016-03-08 중앙대학교 산학협력단 미지의 시간 가변 지연을 가지는 비선형 피드백 시스템 및 이에 있어서 고장 검출 및 보상 방법
CN106301610A (zh) * 2016-08-29 2017-01-04 北京航空航天大学 一种超外差接收机的自适应故障检测和诊断方法及装置
CN110297475A (zh) * 2019-07-23 2019-10-01 北京工业大学 一种基于四阶矩奇异值分解的间歇过程故障监测方法
CN110297475B (zh) * 2019-07-23 2021-07-02 北京工业大学 一种基于四阶矩奇异值分解的间歇过程故障监测方法
CN112988545A (zh) * 2021-04-20 2021-06-18 湖南博匠信息科技有限公司 一种基于深度学习的vpx设备健康控制方法及系统
CN112988545B (zh) * 2021-04-20 2021-08-17 湖南博匠信息科技有限公司 一种基于深度学习的vpx设备健康控制方法及系统

Similar Documents

Publication Publication Date Title
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
Reppa et al. Adaptive approximation for multiple sensor fault detection and isolation of nonlinear uncertain systems
Birjandi et al. Observer-extended direct method for collision monitoring in robot manipulators using proprioception and imu sensing
JP6411380B2 (ja) ロボットとその環境との衝突の検出を改善する方法、同方法を実施するシステムおよびコンピュータプログラム製品
US20170185056A1 (en) Controller having learning function for detecting cause of noise
KR101021801B1 (ko) 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법
Huang et al. Fault detection and diagnosis based on modeling and estimation methods
Van et al. A novel neural second-order sliding mode observer for robust fault diagnosis in robot manipulators
Vemuri et al. A methodology for fault diagnosis in robotic systems using neural networks
Huang et al. Fault detection, isolation, and accommodation control in robotic systems
Song et al. Robust adaptive dead zone technology for fault-tolerant control of robot manipulators using neural networks
KR20020028626A (ko) 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법
Yen et al. Fault tolerant control: An intelligent sliding mode control strategy
CN107831668B (zh) 一种适用于随动控制自适应检测的方法及系统
CN110889646A (zh) 一种适应工况变化的发电机组运行参数正确性检验的方法
JPH1049223A (ja) ニューラルネットワークを用いた故障診断方法およびその装置
Fravolini et al. Minimal resource allocating networks for aircraft SFDIA
Meseguer et al. Robust fault detection linear interval observers avoiding the wrapping effect
Trung et al. Fault detection and isolation for robot manipulator using statistics
RU2297659C1 (ru) Интегрированная система автоматического координированного управления объектом
Abidin et al. Application of a model-based fault detection and diagnosis using parameter estimation and fuzzy inference to a DC-servomotor
Rudas et al. Design methodology and environment for robot diagnosis
KR102654240B1 (ko) 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템
Sidhom et al. Fault actuators detection based on inputs-outputs data mapping: application to a robot manipulator
US11669082B2 (en) Online fault localization in industrial processes without utilizing a dynamic system model

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application