KR20020032711A - 자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법 - Google Patents

자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법 Download PDF

Info

Publication number
KR20020032711A
KR20020032711A KR1020000063168A KR20000063168A KR20020032711A KR 20020032711 A KR20020032711 A KR 20020032711A KR 1020000063168 A KR1020000063168 A KR 1020000063168A KR 20000063168 A KR20000063168 A KR 20000063168A KR 20020032711 A KR20020032711 A KR 20020032711A
Authority
KR
South Korea
Prior art keywords
data
vibration
rotating machine
neural network
self
Prior art date
Application number
KR1020000063168A
Other languages
English (en)
Inventor
유재상
김흥묵
Original Assignee
이구택
주식회사 포스코
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 이구택, 주식회사 포스코 filed Critical 이구택
Priority to KR1020000063168A priority Critical patent/KR20020032711A/ko
Publication of KR20020032711A publication Critical patent/KR20020032711A/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

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

Abstract

본 발명은 회전기계로부터의 진동신호를 획득, 처리 그리고 분석하고 고장부위를 판별하기 위해 자기조직맵기능을 가진 신경회로망을 이용하는 회전기계의 진동 진단방법에 관한 것이다.
본 발명은 회전기계의 진동을 측정하기 위하여 기어, 베어링, 회전축 및 디스크 부위에 가속도센서를 각각 수평 및 수직으로 부착하여 그 진동센서의 출력신호를 획득하고 신호처리하여 시간영역데이터와 주파수영역데이터를 추출한다. 그리고, 시간영역데이터와 주파수영역데이터 각각에 대해 속도데이터와 가속도데이터를 구하여 자기조직맵 신경회로망의 입력데이터로 활용한다. 입력된 데이터들은 자기조직맵 신경회로망에 의해 정상상태와 비정상상태를 판별하고, 또한 비정상상태가 발생된 고장부위를 판별할 수 있게 된다. 이런 특징들을 이용하여 회전기계의 이상유무를 진단함으로써 회전기계의 안정적 운용은 물론 고장사태의 방지 및 효율적 정비를 수행할 수가 있다.

Description

자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를 선정하고 그 선정위치를 이용하여 회전기계의 진동을 진단하는 방법{Selection method of sensor position in a rotary machine and Diagnosis method of the rotary machine vibration using self-organized map neural network}
본 발명은 회전기계의 진동 진단방법에 관한 것이며, 특히, 회전기계의 진동을 신호분석하여 판별하는 기법으로 신호의 실효치, 순시치 등의 변동을 감시하여 이상징후를 예측하기 위한 시간영역데이터와, 특정 주파수의 성분분석을 통한 회전기계 진동의 원인(축정렬, 불평형, 베어링 결함 등등)을 조사하기 위한 주파수영역의 데이터를 이용하여 회전기계의 정상상태와 비정상상태를 판별하는 회전기계의 이상진단 및 고장부위 판별방법에 관한 것이다.
회전기계의 이상은 기계적인 진동으로 나타나게 되어 그 결과 피로파괴의 원인, 빠른 마멸 및 소음을 유발시키게 된다. 또한, 인간에게 불쾌감과 일의 능률을 저하시키게 된다.
회전기계의 비정상적인 진동은 회전동력원인 모터자체의 결함에 의해서 발생할 뿐만 아니라 회전전달과정인 회전축, 기어, 베어링, 회전축의 결합상태에서도 발생하게 된다. 즉, 회전기계의 동력전달과정에서 불평형결함, 베어링결함, 풀림결함, 축정렬결함의 형태로 나타나 시간이 경과할수록 회전기계의 결함이 확대증폭되는데, 이렇게 비정상적으로 회전기계가 동작하는 상태를 정상적인 상태와 판별하는 것이다.
종래에는 회전기계 운용자의 경험과 지식을 통해 정상상태에 대한 진동신호의 크기를 설정하고, 그 크기를 벗어나는 진동신호가 발생할 때 비정상상태를 알게되어 이상원인을 찾는 것으로서, 운전중인 회전기계의 이상을 찾고 이상부위를 판별 및 예측할 수가 없다는 단점이 있다. 즉, 진동센서를 설비의 중요위치에 설치하여 그 크기가 설비의 일반적인 진동크기 수준을 초과할 때에 설비의 이상유무를 알 수 있는데, 이 때 사용되는 진동신호의 특징값에는 진동속도 실효치, 진동가속도 실효치, 진동가속도 최고치 및 진동신호 전체의 실효치 등이 있으며, 이들 각각에 대한 경고치를 각각 설정하고 이 특징값들이 설정치를 초과하는 여부에 따라 설비의 이상유무를 판단하는 것이다. 또한, 전문가에 의한 지식구축으로 진단룰을 만들어 이상원인을 찾을 수 있으나 각 전문가 마다 지식이 다르고 또한 비정상상태를 구별하기 위한 복잡한 알고리즘을 실행하기 위해선 많은 시간과 노력이 따르는 단점이 있다.
일본 공개특허공보 평5-72056호에는 시간영역의 특징량과 주파수영역에서의 특징량을 이용하여 정상상태에서의 특징량들과 비교하여 비정상상태를 역전파(Backpropagation) 신경회로망을 이용하여 판단하는 "회전계 설비 고장진단 및 장치"에 관한 기술이 기재되어 있다.
본 발명은 앞서 설명한 바와 같은 종래기술의 문제점을 해결하기 위하여 안출된 것으로서, 진동센서위치에 따른 정상상태에 있어서의 진동신호의 시간영역 데이터 및 주파수영역데이터와, 비정상상태에 있어서의 진동신호의 시간영역데이터 및 주파수영역데이터를, 자기조직맵기능을 가진 신경회로망을 이용하여 결함의 유무 및 결함 부위를 판별할 수 있도록 한 회전기계의 진동 진단방법을 제공하는 데 그 목적이 있다.
도 1은 일반적인 회전기계의 구성도이고,
도 2는 본 발명에 따른 자기조직맵 신경회로망의 입력데이터를 획득하는 신호처리도이고,
도 3은 본 발명에 따른 회전기계의 정상상태와 비정상상태의 판별을 위한 자기조직맵 신경회로망의 구성도이고,
도 4는 본 발명에 따른 자기조직맵 신경회로망을 이용한 고장부위 판별도이고,
도 5는 본 발명에 따른 자기조직맵 신경회로망에 의해 분류된 정상상태와 비정상상태를 도시한 그래프이며,
도 6은 자기조직맵 신경회로망의 입력벡터들의 분류상태를 도시한 그래프이다.
♠ 도면의 주요부분에 대한 부호의 설명 ♠
1 : 모터 2 : 기어박스
3 : 베어링 4 : 회전연결축
5, 7, 9, 11 : 수직진동센서 6, 8, 10, 12 : 수평진동센서
13 : 정상상태의 회전기계 14 : 비정상상태의 회전기계
15 : 진동센서 16 : ADC
17 : 신호처리 18 : 시간영역데이터
19 : 주파수영역데이터 20, 22 : 속도데이터
21, 23 : 가속도데이터 24 : 수직진동센서
25, 28 : 정상상태데이터 26,29 : 비정상상태데이터
27 : 수평진동센서 30, 32, 46 : 입력층
31, 33, 47 : 입력노드 34, 36 : 출력층
35, 37, 48 : 출력노드
38, 39 : 1차 정상상태/비정상상태 판별
40 : 2차 정상상태/비정상상태 판별
41 : 베어링이상데이터 42 : 기어이상데이터
43 : 풀림상태데이터 44 : 불평형상태데이터
45 : 정렬불량상태데이터 49 : 분류층
위와 같은 목적을 달성하기 위한 본 발명은, 회전기계의 결함 및 결함부위를 판별하기 위해 수직 및 수평방향으로 각각 1개씩 설치되어 한 쌍을 이루는 진동센서를 회전기계의 소정위치에 다수개 부착한 후 진동센서의 위치에 대한 판별정도를 각각 판단하여 최적의 진동센서의 위치를 설정하는 것이다. 즉, 본 발명은 회전기계의 결함을 획득하기 위해 부착된 진동센서의 최적위치를 자기조직맵(Self-organized map) 신경회로망을 이용하는 것으로서, 수평진동센서 및 수직진동센서의 두 신호중 결함진단을 하는데 있어서 더욱 효율적인 진동센서위치를 선정하기 위하여 자기조직맵 신경망을 이용하는 것이다.
또한, 본 발명은 수직 및 수평방향으로 각각 1개씩 설치되어 한 쌍을 이루는 진동센서를 회전기계의 소정위치에 다수개 설치하고, 상기 다수의 진동센서를 통한 진동신호를 이용하여 회전기계의 상태를 진단하는 것이다. 즉, 본 발명은 수평 및 수직진동센서에서 각각 발생된 신호를 각각에 대하여 자기조직맵 신경회로망을 이용하여 결함유무를 1차적으로 판단하고, 또한 그 각각의 결과를 조합하여 최종 판단함으로써 결함유무판단의 신뢰를 향상시키는 것이다. 그리고, 회전기계의 각 결함종류들에 대해 자기조직맵 신경회로망을 이용해 각 고장부위를 판별하게 하는 것이다.
본 발명은 회전기계의 진동을 측정하기 위하여 기어, 베어링, 회전축 및 디스크 부위에 가속도센서를 각각 수평 및 수직으로 부착하여 그 진동센서의 출력신호를 획득하고 신호처리하여 시간영역데이터와 주파수영역데이터를 추출한다. 그리고, 시간영역데이터와 주파수영역데이터 각각에 대해 속도데이터와 가속도데이터를 구하여 자기조직맵 신경회로망의 입력데이터로 활용한다. 입력된 데이터들은 자기조직맵 신경회로망에 의해 정상상태와 비정상상태를 판별하고, 또한 비정상상태가 발생된 고장부위를 판별할 수 있게 된다.
본 발명에 이용되는 신경회로망은 신경회로망의 입력쌍들의 규칙성과 상관성들을 검출해 내는 것을 주특징으로 한다. 본 발명의 신경회로망의 뉴런들은 유사한 입력벡터의 집합을 인식하고 학습할 수 있는데, 즉 자기조직맵(Self-organized map) 신경회로망은 뉴런층에 있어서 물리적으로 함께 근접하는 뉴런들이 유사한 입력벡터에 상응하는 방식으로 유사입력쌍들을 인식하고 학습한다.
자기조직 특징 추출방식은 입력벡터들(input vectors)이 입력공간에서 어떻게 그룹화되는지에 따라서 입력벡터들을 분류하는 것을 학습한다. 자기조직맵 신경회로망의 뉴런들은 가하학적인 형태 기능에 따라서 물리적인 위치들로 정렬된다.
도 6의 (a)는 입력벡터(쌍)들과 그들의 가중치(weight) 벡터들을 보여주는 그래프로서, '+'표시들로 표현된 것들은 두개의 성분을 가진 입력벡터들을 나타낸 것이다. 도 6의 (a)에서 보는 바와 같이 입력쌍들은 자기조직맵 신경회로망에 의해 학습된 가중치(weight_1, weight_2)들에 의해 여러개의 집단으로 표현된 공간에 있어서 집단화하여 몰려 있음을 알 수 있다. 자기조직맵 신경회로망은 이와 같이 집단들을 물리적인 특징인 입력벡터들을 여러개의 집단으로 분류할 수가 있는 것이다. 도 6의 (b)는 학습 후의 결과를 보여주고 있는데, 여섯 개의 가중치벡터들이 입력벡터들로 분류되는 것을 밝혀준다.
아래에서는, 이와 같은 특징을 갖는 자기조직맵 신경망을 이용하여 회전기계의 진동을 진단하는 방법에 대해 상세히 상세히 설명하겠다.
도 1은 일반적인 회전기계의 구성도로서, 회전기계는 회전동력원인 모터(1),기어박스(2), 베어링(3), 회전연결축(4) 및 디스크 등으로 구성되어 있는데, 이런 회전기계에는 수직가속도센서(5, 7, 9, 11) 및 수평가속도센서(6, 8, 10, 12)가 각각의 위치에 부착되어 있다.
도 2는 도 1에 도시된 바와 같이 회전기계에 부착된 진동센서들, 즉 수직진동센서(5, 7, 9, 11)와 수평진동센서(6, 8, 10, 12)로부터 자기조직맵 신경회로망의 입력데이터를 획득하는 신호처리도이다. 정상상태의 회전기계(13)와 비정상상태의 회전기계(14)에서 각각 발생된 회전기계의 진동은 진동센서(15)로부터 아날로그 신호가 출력되고, 그 신호는 ADC(16)에 의해 디지탈 데이터로 변환된다. 디지탈 데이터는 신호처리(17)를 통해 시간영역데이터(18)와 주파수영역데이터(19)로 분류획득된다. 그리고, 다시 시간영역데이터(18) 및 주파수영역데이터(19)는 각각에 대해 속도영역데이터(20, 22)와 가속도영역데이터(21, 23)로 출력된다.
도 3은 본 발명에 따른 회전기계의 정상상태와 비정상상태의 판별을 위한 자기조직맵 신경회로망의 구성도이다. 회전기계에 부착된 수직진동센서(24)로 부터 정상상태데이터(25)와 비정상상태데이터(26)를 획득하여 자기조직맵 신경망의 입력층(30)의 입력노드(31)에 입력으로 사용한다. 그리고, 자기조직맵 신경망에 의해 수직진동센서(24)에 발생된 정상상태데이터(25)와 비정상상태데이터(26)는 1차(38)로 정상상태와 비정상상태로 분류된다. 동시에 수평진동센서(27)로 부터 획득된 정상상태데이터(28)와 비정상상태데이터(29)는 자기조직맵 신경망의 입력층(32)의 입력노드(33)에 입력되고, 자기조직맵 신경망에 의해 1차(39)로 정상상태와 비정상상태로 분류된다.
수직진동센서(24)와 수평진동센서(27) 각각의 정상상태와 비정상상태에 대한 자기조직맵 신경회로망의 1차 분류는 다시 각각의 자기조직맵 신경회로망의 출력층(34, 35)들의 출력을 조합하여 2차(40)로 최종의 정상상태와 비정상상태를 판별하게 된다. 이와 같이 수직 및 수평 각각에 의한 자기조직맵 신경회로망으로 정상 및 비정상을 분별함으로써 각 고장부위에 대해 수직 및 수평진동센서에 대해 어떤 위치의 진동센서의 판별능이 우수함을 알 수 있게 된다. 또한, 수평 및 수직센서에 대한 자기조직맵 신경회로망의 판별을 조합함으로써 정상 및 비정상상태의 판별능을 더욱 향상시키게 된다.
도 4는 본 발명에 따른 자기조직맵 신경회로망을 이용한 고장부위 판별도이다. 회전기계의 기어, 베어링, 회전축 및 디스크 부위 등에서 발생된 비정상상태데이터, 즉, 베어링이상데이터(41), 기어이상데이터(42), 풀림상태데이터(43), 불평형상태데이터(44), 정렬불량상태데이터(45) 등이 자기조직맵 신경회로망의 입력층(46)의 입력노드(47)에 입력되고 자기조직맵 신경회로망에 의해 출력층의 출력노드(48)에서 각각의 고장에 대한 특징이 나타난다. 그 출력특성은 다시 분류층(49)에서 비정상상태에 대한 고장부위를 판별하게 된다.
도 5는 본 발명에 따른 자기조직맵 신경회로망에 의해 분류된 정상상태와 비정상상태를 도시한 그래프로서, 자기조직맵 신경회로망에 의해 정상상태데이터(O), 베어링이상데이터(*), 정렬불량데이터(+), 헐거움데이터(x)들이 여러집단(□)으로 잘 분류되어 나타남을 알 수 있다.
앞서 상세히 설명한 바와 같이 본 발명의 진동 진단방법은 회전기계의 진동신호의 결함 및 고장부위를 판별하는데 있어서, 정상상태에 있어서의 진동신호의 시간영역데이터 및 주파수영역데이터와, 비정상상태에 있어서의 진동신호의 시간영역데이터와 주파수영역데이터를 추출하고, 또한 각각에 대해 속도데이터와 가속도데이터를 획득하여 자기조직맵 신경망의 입력데이터로 활용함으로써 결함의 유무 및 결함 부위를 판별하는 효과가 있다.
또한, 본 발명의 진동 진단방법은 회전기계에 부착된 센서의 위치에 대한 판별정도를 판단하여 최적의 센서위치를 설정하고, 또한 수평센서 및 수직센서에 대한 각각의 자기조직맵 신경회로망의 판별을 조합함으로써 정상상태 및 비정상상태의 판별능 및 고장부위의 판별능을 더욱 향상시키는 효과가 있다.
또한, 본 발명의 진동 진단방법은 회전기계의 결함 및 고장부위를 판별함으로써 회전기계의 안정화된 운용을 위한 진단결과를 제시하는 효과가 있다.
이상에서 본 발명의 자기조직맵 신경망을 이용한 회전기계의 진동 진단방법에 대한 기술사항을 첨부도면과 함께 서술하였지만 이는 본 발명의 가장 양호한 실시예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다.
또한, 이 기술분야의 통상의 지식을 가진 자이면 누구나 본 발명의 기술사상의 범주를 이탈하지 않는 범위내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.

Claims (4)

  1. 회전기계의 결함 및 결함부위를 판별하기 위해 수직 및 수평방향으로 각각 1개씩 설치되어 한 쌍을 이루는 진동센서를 회전기계의 소정위치에 다수개 부착한 후 진동센서의 위치에 대한 판별정도를 각각 판단하여 최적의 진동센서의 위치를 설정하는 방법에 있어서,
    정상상태에 있어서의 진동신호의 시간영역데이터 및 주파수영역데이터와, 비정상상태에 있어서의 진동신호의 시간영역데이터 및 주파수영역데이터를 각각 추출하고, 정상상태 및 비정상상태의 시간영역데이터 및 주파수영역데이터 각각에 대해 속도데이터와 가속도데이터를 획득하여 자기조직맵(Self-organized map) 신경망의 입력데이터로 활용함으로써 회전기계의 부착되는 진동센서의 최적의 위치를 설정하는 것을 특징으로 하는 방법.
  2. 수직 및 수평방향으로 각각 1개씩 설치되어 한 쌍을 이루는 진동센서를 회전기계의 소정위치에 다수개 설치하고, 상기 다수의 진동센서를 통한 진동신호를 이용하여 회전기계의 상태를 진단하는 방법에 있어서,
    정상상태에 있어서의 진동신호의 시간영역데이터 및 주파수영역데이터와, 비정상상태에 있어서의 진동신호의 시간영역데이터 및 주파수영역데이터를 각각 추출하고, 정상상태 및 비정상상태의 시간영역데이터 및 주파수영역데이터 각각에 대해 속도데이터와 가속도데이터를 획득하여 자기조직맵(Self-organized map) 신경망의입력데이터로 활용함으로써 회전기계의 상태를 진단하는 것을 특징으로 하는 방법.
  3. 제2항에 있어서, 상기 다수의 진동센서에 대한 각각의 자기조직맵 신경회로망의 판별상태를 조합함으로써 회전기계가 정상 또는 비정상 상태인지를 판별하는 것을 특징으로 하는 방법.
  4. 제3항에 있어서, 상기 회전기계가 비정상 상태일 경우, 상기 진동센서에서 측정한 비정상상태데이터를 자기조직맵 신경망의 입력데이터로 활용함으로써 회전기계의 고정부위를 판별하는 것을 특징으로 하는 방법.
KR1020000063168A 2000-10-26 2000-10-26 자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법 KR20020032711A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020000063168A KR20020032711A (ko) 2000-10-26 2000-10-26 자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020000063168A KR20020032711A (ko) 2000-10-26 2000-10-26 자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법

Publications (1)

Publication Number Publication Date
KR20020032711A true KR20020032711A (ko) 2002-05-04

Family

ID=19695552

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020000063168A KR20020032711A (ko) 2000-10-26 2000-10-26 자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법

Country Status (1)

Country Link
KR (1) KR20020032711A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101220990B1 (ko) * 2010-12-29 2013-01-10 한국항공우주연구원 회전 전원공급선을 이용한 전기비행기의 전원공급장치
KR20150090124A (ko) * 2012-11-29 2015-08-05 가부시끼가이샤 사따께 회전 기계의 모니터링 장치
CN112651167A (zh) * 2020-12-02 2021-04-13 杭州电子科技大学 一种基于图神经网络的半监督滚动轴承故障诊断方法
CN113205191A (zh) * 2021-04-15 2021-08-03 特斯联科技集团有限公司 一种基于强化学习的设备更换智能决策系统及方法
KR102321607B1 (ko) * 2020-11-25 2021-11-03 국민대학교산학협력단 기계의 결함 검출 장치 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101220990B1 (ko) * 2010-12-29 2013-01-10 한국항공우주연구원 회전 전원공급선을 이용한 전기비행기의 전원공급장치
KR20150090124A (ko) * 2012-11-29 2015-08-05 가부시끼가이샤 사따께 회전 기계의 모니터링 장치
KR102321607B1 (ko) * 2020-11-25 2021-11-03 국민대학교산학협력단 기계의 결함 검출 장치 및 방법
CN112651167A (zh) * 2020-12-02 2021-04-13 杭州电子科技大学 一种基于图神经网络的半监督滚动轴承故障诊断方法
CN113205191A (zh) * 2021-04-15 2021-08-03 特斯联科技集团有限公司 一种基于强化学习的设备更换智能决策系统及方法

Similar Documents

Publication Publication Date Title
CN107003663B (zh) 具有活动部分的装置的监视
Wang et al. A neuro-fuzzy approach to gear system monitoring
Ertunc et al. ANN-and ANFIS-based multi-staged decision algorithm for the detection and diagnosis of bearing faults
Marichal et al. An intelligent system for faulty-bearing detection based on vibration spectra
Gohari et al. Modelling of shaft unbalance: Modelling a multi discs rotor using K-Nearest Neighbor and Decision Tree Algorithms
KR102040179B1 (ko) 제조 설비의 이상 감지 및 진단 방법
KR20190000826A (ko) 실시간 진동 분석을 이용한 회전기계의 자동진단방법
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
Lim et al. Vibration-based fault diagnostic platform for rotary machines
Singh et al. Rotor faults diagnosis using artificial neural networks and support vector machines
Inturi et al. Bearing fault severity analysis on a multi-stage gearbox subjected to fluctuating speeds
Crupi et al. Neural-network-based system for novel fault detection in rotating machinery
KR20210006832A (ko) 기계고장 진단 방법 및 장치
Sadoughi et al. A deep learning-based approach for fault diagnosis of roller element bearings
CN114139297B (zh) 基于机泵设备状态监测和大数据分析的专家诊断系统
KR20020032711A (ko) 자기조직맵 신경망을 이용하여 회전기계의 진동센서위치를선정하고 그 선정위치를 이용하여 회전기계의 진동을진단하는 방법
Mukane et al. Labview based implementation of fuzzy logic for vibration analysis to identify machinery faults
Juuso et al. Intelligent condition monitoring using vibration signals
Nejadpak et al. Misalignment and unbalance faults detection and identification using KNN analysis
CN111947927B (zh) 一种基于色度理论的滚动轴承故障检测方法
KR100296013B1 (ko) 퍼지논리를이용한회전기계의이상진단방법
Yassine et al. Bearing fault classification based on envelope analysis and artificial neural network
Strackeljan et al. Smart adaptive monitoring and diagnostic systems
Saari et al. Selection of features for fault diagnosis on rotating machines using random forest and wavelet analysis
RU2753151C1 (ru) Способ вибрационной диагностики роторных систем

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination