KR20110001565A - 프레스 공정 고장진단장치 및 그 방법 - Google Patents

Abstract

본 발명은 프레스 공정의 고장진단장치 및 그 방법에 관한 것이다.

이를 위해, 본 발명은 전동기에서 진동신호를 감지하는 진동센서와, 상기 진동 센서에 감지된 진동신호를 디지털 데이터화하여 저장하는 데이터 수집부와, 상기 데이터 수집부에 저장된 진동신호 데이터에 대해 주파수 영역으로 변환시키는 주파수 해석부와, 상기 주파수 해석부를 통해 변환된 진동신호 데이터를 입력 패턴으로 하여 상기 전동기에서 발생된 고장의 종류를 분류하는 고장분류기를 포함하는 고장진단장치 및 이를 이용한 고장진단방법을 제공한다.

프레스 공정, 유도 전동기, 고장 진단, FFT

Description

프레스 공정 고장진단장치 및 그 방법{Fault Diagnosis Apparatus for Press Process and method at the same}

본 발명은 제품의 고장진단장치에 관한 것으로, 보다 상세하게는 프레스 공정에서의 고장진단장치 및 그 방법에 관한 것이다.

시계, 카메라의 정밀부품에서부터 자동차의 차체에 이르기까지 광범위하게 사용되는 프레스 가공은 24시간 지속적으로 운영되어야 하는데, 현재 프레스 공정에서의 사소한 고장은 현장 보전 팀에 의해서 즉각 대응이 되고 있지만, 메인 모터(Main Motor) 고장 등 미리 대처하지 못한 대형 고장에 대해서는 일부 부품의 교환 등 외부 수리업체에서 고장을 수리하는 경우가 대부분이다. 이경우 프레스 라인 작업이 진행될 수 없고 용접라인에 필요한 철판 소재를 제때 공급하지 못하여 전체 공장이 정지되는 현상이 발생하게 된다. 가령, 어느 프레스 가공업체에서 조사한 자료에 따르면, 2007년에 발생한 프레스 공정 라인의 비가동 시간은 204.27시간으로 전체 공장의 약 40%를 차지하고 있었으며, 프레스 비 가동으로 발생된 생산손실 금액은 약 700만원, 보전 손실 금액은 450만으로 산출되었고, 프레스 외주 수리횟수는 8건 발생으로 약 3000만원의 수리 비용이 발생하였다. 이 중에서 베어링 교체가 많이 발생하였으며 전체적으로 프레스 비가동으로 인한 손실을 비용으로 환산하면 약 4100만원에 해당 될 정도였다.

이처럼, 프레스 라인 작업이 진행될 수 없을 경우 1대당 4100만원일 경우 현재 가동중인 전국에서 가동중인 전체 프레스 라인으로 환산할 경우 그 비용이 막대하다고 판단되며, 용접라인에 필요한 철판 소재를 제때 공급하지 못하여 전체 공장이 정지되는 현상이 발생하고 있다.

현재 프레스 공정에서의 고장을 예방하기 위해 메인 모터의 이상 유무를 확인하는 방법은 보전 담당자가 직접 프레스 상단부에 올라가서 메인 모터의 운전 소리를 체크하는 방법이 있다. 그러나, 매일 담당자가 프레스 상부 및 지하에 위치한 점검 부위를 점검하는 것은 결코 쉬운 일이 아니며, 객관적인 데이터보다는 담당자의 주관적인 견해가 많이 반영되므로 정확한 판단이 어렵고, 보전 담당자의 추락 가능성 등 안전사고의 문제점이 있다.

또한, 기계식 프레스에서 베어링과 각 축의 마찰을 줄이기 위하여 윤활유를 일정량 지속적으로 흘려 주어야 한다. 즉, 유압펌프로 윤활유를 윤활유 탱크에서 끌어올려 호스를 통하여 각 리플을 통해 엔드(end)부인 베어링과 각 축으로 전달하고 윤활유의 원활한 공급을 위해 매일 윤활유 탱크를 체크하여 부족 시에는 재공급하여 항상 일정유량을 유지시켜야 한다. 그러나, 체크 주기를 놓쳐 윤활유 공급이 원활하지 않을 경우, 리플을 통해 공급되는 윤활유 양이 적어 각 축의 베어링에 마찰이 증가하거나 소음과 열이 발생하여 심하면 열에 의해서 축이 녹아내릴 수 있다. 이 경우 프레스의 각 리플 및 오일 필터, 오일 탱크 모두 교환하여야 하며 그 손실 비용만도 수천만 원까지 발생할 수 있다.

전술한 바와 같이, 프레스 공정 라인의 고장에 따른 손실 비용이 막대하기 때문에, 이를 효율적으로 진단하고 담당자에게 알려주어 신속하게 대처할 수 있는 고장 진단 시스템이 절실히 필요하다.

또한, 항상 일정한 양의 윤활유를 유지할 수 있게 자동으로 윤활장치의 상태를 검사하고, 담당자에게 상태정보를 알려줄 수 있는 윤활장치 자동검사 시스템의 구축도 긴요히 요청된다.

본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로, 프레스 공정라인에서 발생하는 고장을 효율적으로 진단하고 담당자에게 알려주어 신속하게 대처할 수 있는 고장 진단 시스템을 제공하는 것을 목적으로 한다.

또한, 항상 일정한 양의 윤활유를 유지할 수 있게 자동으로 윤활장치의 상태를 검사하고, 담당자에게 상태정보를 알려줄 수 있는 윤활장치 자동검사 시스템을 제공하는 것을 목적으로 한다.

상기의 목적을 달성하기 위하여 본 발명의 바람직한 실시예에 따른 고장진단장치는, 전동기에서 진동신호를 감지하는 진동센서와, 상기 진동 센서에 감지된 진동신호를 디지털 데이터화하여 저장하는 데이터 수집부와, 상기 데이터 수집부에 저장된 진동신호 데이터에 대해 주파수 영역으로 변환시키는 주파수 해석부와, 상기 주파수 해석부를 통해 변환된 진동신호 데이터를 입력 패턴으로 하여 상기 전동기에서 발생된 고장의 종류를 분류하는 고장분류기를 포함하는 것을 특징으로 한다.

또한, 상기 고장분류기는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 한다.

또한, 상기 주파수 해석부는 상기 진동신호 데이터를 FFT하여 주파수 영역으로 변환시키고, 상기 FFT 변환된 데이터를 각 100Hz 주파수 단위로 구분하고, 구분 된 100Hz 단위에서 최대 진폭값을 갖는 1개의 신호를 추출하는 방식을 모니터링 주파수 대역에 대해 수행하는 것을 특징으로 한다.

또한, 윤활유 탱크의 윤활유 레벨을 측정하는 윤활유 레벨 센서와, 상기 윤활유 레벨 센서를 통해 측정된 윤활유의 레벨에 대해 기준치와 비교하여 고장 여부를 판단하는 윤활유 레벨 판별부를 더 포함하는 것을 특징으로 한다.

다른 바람직한 실시예에 따른 고장진단방법은, 전동기에서 진동신호를 감지하는 단계와, 상기 진동신호를 디지털 데이터화하여 저장하는 단계와, 상기 진동신호 데이터에 대해 주파수 영역으로 변환시키는 단계와, 상기 변환된 진동신호 데이터를 입력 패턴으로 하여 상기 전동기에서 발생된 고장의 종류를 분류하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 고장분류단계는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 한다.

또한, 상기 주파수 영역 변환 단계는 상기 진동신호 데이터를 FFT하여 주파수 영역으로 변환시키고, 상기 FFT 변환된 데이터를 각 100Hz 주파수 단위로 구분하고, 구분된 100Hz 단위에서 최대 진폭값을 갖는 1개의 신호를 추출하는 방식을 모니터링 주파수 대역에 대해 수행하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 윤활유 탱크의 윤활유 레벨을 자동 감지하여 고장의 유무를 판단하는 윤활유 레벨 자동 검사 단계를 더 포함하는 것을 특징으로 한다.

본 발명은 프레스 공정에서 기존 수동방식의 고장진단을 자동화시킴에 따라, 비용 절감, 효율성의 제고, 안전사고 방지의 효과를 향유할 수 있다.

또한, 프레스 공정과 같은 비선형 시스템에서 본 발명에 따른 ART2 신경회로망을 고장분류기로 사용한다면 예상하지 않은 새로운 고장의 발생에도 적극적으로대응할 수 있게 한다.

이하에서 첨부된 도면을 참조하면서 본 발명의 바람직한 실시예에 따른 프레스 공정 라인에서의 고장진단장치 및 방법을 상세히 설명한다.

도 1은 본 발명의 바람직한 실시예에 따른 프레스 공정 고장진단장치(100)의 구성을 나타낸 기능 블럭도이고, 도 2는 도 1의 고장진단장치(100)를 통한 프레스 공정의 고장진단과정을 나타낸 흐름도이다.

도 1에 도시된 바와 같이, 프레스 공정의 고장진단은 크게 프레스 공정의 메인 전동기인 유도 전동기에 대한 고장 진단과, 프레스 공정에서의 윤활유 상태에 대한 자동 검사로 구별할 수 있다.

먼저, 유도 전동기의 고장진단장치(155)를 살펴보면 다음과 같이 구성된다. 즉, 유도 전동기(110)에서 진동 신호를 감지하는 진동센서(120)와, 상기 진동 센서에 감지된 진동신호를 디지털 데이터화하여 저장하는 데이터 수집부(130)와, 상기 데이터 수집부(130)에 저장된 진동신호 데이터에 대해 FFT(Fast Fourier Transform)를 통해 주파수 영역으로 변환시키는 주파수 해석부(140)와, 상기 주파수 해석부(140)를 통해 변환된 진동신호 데이터를 입력 패턴으로 하고 여러 경계 인수를 갖는 ART2 신경회로망을 통해 상기 유도 전동기(110)에서 발생된 고장의 종 류를 분류하는 고장분류기(150)로 구성된다.

여기서, 상기 주파수 해석부(140)는, 상기 진동센서(120)를 통해 감지된 상기 유도 전동기(110)의 진동신호 데이터를 FFT 변환한다. 이때, 주파수 해석부(140)는 FFT 변환된 데이터를 각 100Hz 주파수 단위로 구분하고, 구분된 100Hz 단위에서 최대 진폭(Max Amplitude)값을 갖는 1개의 신호를 추출한다. 이렇게 100Hz 단위별로 최대값을 1개 추출하는 방식을 모니터링 주파수 대역에 대해 수행한다. 이때, 모니터링 주파수 대역은 고장진단을 위해 설정한 주파수 범위로서 프레스 공정의 전동기(motor) 사양에 따라 달라질 수 있다.

또한, 상기 ART2 신경회로망은 이미 학습된 패턴과 입력 패턴인 유도 전동기(110)의 진동신호 데이터의 일치 정도를 검사하기 위한 경계인수 검사를 통해 유사하면 같은 클래스(class)로 학습하고, 그렇지 않으면 새로운 클래스를 생성시키는 증가 분류 알고리즘에 의해 고장 패턴을 분류함으로써 추가 학습이 가능하다는 장점이 있다. 그러므로, ART2 신경회로망을 고장분류기로 사용한다면 예상하지 않은 새로운 고장이 발생했을 때 이를 효과적으로 분류할 수 있다. 따라서, 본 발명에서는 하나의 경계인수를 사용하는 기존의 ART2 신경회로망의 단점을 보완한 여러 경계인수를 갖는 ART2 신경회로망을 유도 전동기의 고장분류를 위한 고장분류기(150)로 사용한다.

한편, 프레스 공정에서 윤활유 자동검사장치(195)를 살펴보면 다음과 같이 구성된다. 즉, 윤활유 탱크(170)의 윤활유 레벨을 측정하는 윤활유 레벨 센서(180)와, 상기 윤활유 레벨 센서(180)를 통해 측정된 윤활유의 레벨에 대해 기준 치와 비교하여 온/오프(on/off) 방식으로 고장여부를 판단하는 윤활유 레벨 판별부(190)로 구성된다.

여기서, 윤활유 레벨 센서(180)는, 현재 프레스 공정에서 사용하고 있는 윤활유 탱크 사이즈가 900mm*600mm*900mm이므로 적절한 레벨 센서 선택이 요구되며, 거리와 윤활유 탱크의 위치 상황을 고려할 때 측정범위가 8~10mm 정도는 되어야 한다. 특히, 거리와 윤활유 탱크의 위치 상황 등을 고려할 때 센서부와 트랜스미터 표시부가 분리된 형태의 초음파 레벨 센서가 바람직하다.

이처럼, 프레스 공정에서 유도 전동기의 고장진단장치(155)는 진동 센서를 이용하여 진동값을 측정한 후 주파수 해석기법(FFT)과 ART2 신경회로망을 이용하여 고장분류(정상상태, 회전자 고장, 베어링 고장)을 행하여 고장 진단을 한다. 또한, 윤활유 자동검사장치(195)는 초음파 레벨 센서에 이해 윤활유 레벨 경보 기능을 행한다.

이하에서 도 1에 설명한 프레스 공정 고장진단장치(100)에 따른 프레스 공정 고장진단과정을 도 2를 참조하여 설명한다.

먼저, 프레스 공정의 유도 전동기(110)에서 진동 센서(120)를 통해 진동 신호 값을 감지한다(S210).

이후, 상기 감지된 진동 신호값은 데이터 수집부(130)를 통해 디지털 데이터화 및 샘플링되어 저장된다(S220).

이후, 샘플링된 진동신호 데이터는 주파수 해석부(140)에서 FFT 방식을 통해 주파수 영역값으로 변환된다(S230). 이때, 도 3a에 도시된 바와 같이, 변환된 데 이터를 100Hz 단위로 구분하고 구분된 단위 중에서 최대 진폭값을 뽑아 낸다. 이후, 도 3b에 도시된 바와 같이, 모니터링 주파수 대역인 0~5kHz 범위에서 총 50개의 데이터를 추출한다.

이후, 상기 주파수 영역으로 변환된 진동신호 데이터를 입력 패턴으로 하여 고장분류기에 입력한다(S240).

이후, 상기 변환된 진동신호 데이터를 입력 패턴으로 하여 ART2 신경회로망에 따라 고장의 종류를 분류하고 분류된 고장에 따라 유도 전동기의 고장을 진단한다(S250). 이때, 도 4에 도시된 바와 같이, 측정주파수로 지정된 모니터링 주파수 대역1(200Hz~600Hz) 및 모니터링 주파수 대역2(1.5KHz~2.5KHz)에서 추출된 최대 진폭값 데이터 중에서 ART2에 적용할 데이터를 다시 선별하고, 선별된 데이터가 ART2로 입력되면 내부 처리를 통하여 고장 유무를 판별하여 외부로 알려준다. ART2에서 측정된 결과에 따라 고장진단 부분에 정상, 베어링 고장, 회전자 고장에 따라 경고등에 표시된다.

한편, 초음파 레벨 센서(180)를 통해 윤활유 탱크의 윤활유 레벨을 감지하고(S260), 감지된 윤활유 레벨을 기준치와 비교하여 윤활유 부족 여부를 판별하고(S270), 부족하면 고장으로 진단하고(S282) 그렇지 않으면 정상상태로 진단(S281)하여 경고등에 표시한다. 이때, 기준치는 프레스 공정에 따라 적합한 윤활유 레벨의 범위를 말하며, 프로그램화되어 업데이트 될 수 있다.

이하에서 본 발명에 따른 ART2 신경회로망을 이용하는 고장분류기에 대하여 상세하게 설명한다.

도 5는 본발명에 따른 ART2 신경회로망을 이용한 고장분류기(150)의 구조도이다.

도 5에 도시된 바와 같이, ART2 신경회로망은, 저장된 패턴과 유사한 입력에 대하여 반응을 하여, 이를 학습하기 위한 계층1과, 저장된 패턴과 유사성이 없는 패턴이 입력될 경우 계층1을 차단시키고 새로운 클래스를 생성시키게 하는 계층2로 구성된다. 계층1은 입력층과 출력층을 가지는 두 층 신경회로망으로 구성되며, 입력층과 출력층 노드들은 학습 패턴들이 기억되는 가중치로 연결되어 있다. ART2 신경회로망에 최초의 입력 패턴이 전달되면, 출력층에는 생성된 클래스가 없으므로 첫번째 클래스로 분류하여 입력 패턴을 첫 번째 출력 노드와 입력 노드들 사이의 가중치로 저장한다. 다음에 다른 패턴이 입력되면 첫 번째 클래스와의 유사성을 검사하여 같은 클래스로 학습하거나 새로운 클래스를 생성시키게 된다.

유사성의 검사는 경계인수조건 검사를 통하여 판별되는데, 경계인수는 두 패턴을 같은 클래스로 학습할 것인지, 아니면 새로운 클래스로 분류할 것인지를 결정하는 값이다. 여기서, 본 발명에 따른 고장 진단장치에서 사용되는 ART2 신경회로망을 이용하는 고장분류기는 여러 경계 인수를 갖는 것을 특징으로 한다. 이는 예기치 않은 새로운 고장이 발생한 경우에도 이를 분류할 수 있도록 하기 위한 것이다.

도 6은 본 발명에 따른 고장진단장치에서 ART2 신경회로망을 이용하는 고장분류기(150)의 동작을 요약한 흐름도이다.

ART2 신경회로망의 구조는 도 5에 도시된 바와 같이, 기존의 ART-2 신경회로 망과 같으나, 기존의 ART2 신경회로망에서 패턴을 분류할 때 하나의 경계인수를 사용함으로써 고장에 대한 각 시스템 파라미터의 민감도 차이를 고려하기 어려운 문제점을 보완하기 위해 새로운 거리측정 및 경계인수 조건을 사용한다. 즉, 새로운 패턴이 신경회로망에 입력되면, 입력패턴과 각 출력 노드와의 거리를 다음의 수학식 1과 같이 계산한다.

상기 수학식 1에서, 입력 노드 i, i=1, 2, ..... N, N은 입력노드 수이고, 출력 노드 j, j=1, 2, .... M, M은 출력노드 수이다. 또한, W_j 와 w_ij 는 각각 j번째 출력노드에 대한 N차원의 가중치벡터 및 i번째 입력노드와 j번째 출력노드 사이의 가중치이며, X와 x_i 는 각각 N차원의 입력벡터 및 i번째 입력이다.

는 가중치가 부여된 무한대 노옴이며, E = diag(1/ε₁, 1/ε₂, ....1/ε_N) 로서 N×N 차원의 대각 가중치 행렬이고, ε_i 는 i번째 입력노드의 입력패턴에 대한 경계인수이며 ｜·｜는 절대값을 의미한다.

출력노드 중에서 상기 수학식1에 의하여 계산된 거리가 최소인 노드만이 활성화되며, 입력패턴과 활성화된 출력노드에 대한 템플리트 패턴과의 유사성은 계층 2에서의 경계인수조건 검사를 통해서 판별되는데, 여러 경계 인수를 갖는 ART2 신경회로망에서는 다음의 수학식 2와 같은 경계 인수 조건을 사용한다.

경계인수 조건:

상기 수학식 2에서 W_J 는 활성화된 J번째 출력노드에 관한 N차원의 템플리트 패턴 벡터이며, J는 활성화된 출력 노드이다.

만일 입력 패턴이 경계 인수 검사를 통과한다면 다음의 수학식 3과 같은 가중치 조정식을 이용하여 같은 클래스로 학습한다.

W_J ^new = {X + W_J ^old [class_J ^old]}/{ [class_J ^old + 1] }

상기 수학식 3에서, W_J ^old 와 W_J ^new 는 각각 J번째 출력 노드에서의 조정 전후의 가중치이며, [class i]는 클래스 i에 속한 패턴들의 개수이다. 그러나, 경계 인수 검사를 통과하지 못하면 입력 패턴을 새로운 클래스에 저장한다.

상기한 수학식 1과 수학식 2에서, ε_i 는 입력 패턴과 활성화된 출력 노드의 템플리트 패턴간의 일치 정도를 판별하기 위한 경계 인수들로서, 두 패턴을 동일한 클래스로 학습할 것인지 또는 새로운 클래스로 분류할 것인지를 결정하는 값이다. 입력 패턴인 추정 파라미터 중에서 고장으로 인하여 많이 변하는 파라미터에 대해 서는 ε_i 를 크게 설정하고, 적게 변하는 경우에는 작게 설정하므로써 고장 유형에 따른 각 파라미터의 민감도 차이를 충분히 고려한 분류가 가능하다. 예를 들어서, N=2이고, x₁ 이 x₂ 보다 크게 변하는 경우에는 ε₁ 를 ε₂ 보다 크게 설정한다.

도 7a 내지 도 7d는 본 발명에 따른 프레스 공정 고장진단장치를 이용하여 유도 전동기의 고장진단 실험 및 윤활유 레벨 자동검사실험을 한 예를 나타낸 도면이다.

먼저, 도 7a에 도시된 바와 같이, 유도 전동기의 고장진단 실험을 위해 저압 3상 유도 전동기를 각각 정상상태, 회전자 고장, 베어링 고장의 3개의 전동기로 구성하였다. 또한, 데이터 수집부는 NI9234를 사용하고, 진동 감지를 위한 진동 센서를 구비하였다.

도 7b는 윤활유 자동 검사실험을 위해 초음파 레벨 센서를 이용하였으며, 도 7c는 유도 전동기 고장 진단 및 윤활유 레벨 자동검사실험을 함께 구성한 예를 보여주며, 도 7d는 GUI(Graphic User Interface) 상태에서 고장 진단 및 윤활유 레벨 자동검사 시스템을 나타낸 예를 보여준다.

이하에서 도 7a 내지 도 7d의 시스템을 이용하여 본 발명에 따른 프레스 공정 고장진단장치를 이용하여 시뮬레이션한 결과를 설명한다.

여기서, 유도 전동기의 고장 원인으로는 크게 두 가지 유형을 들 수 있는데, 본 발명에서는 아래의 두 가지 유형의 고장을 인위적으로 발생시켜 유도 전동기의 고장진단 실험을 행하였다.

첫 번째, 고장 #1(Fault #1)은 회전자(Rotar) 고장으로, 회전자의 중앙바(bar)에 드릴로 인위적으로 구멍을 뚫어 고장을 유발하고 시뮬레이션을 행하였다(도 8a).

두 번째, 고장 #2는 베어링(Bearing) 고장으로, 베어링에 쇳가루를 넣어 마모를 유발하고 시뮬레이션을 행하였다(도 8b).

이에 따라, 표1과 같이 ART2 신경회로망 고장분류기의 입력은 유도 전동기에서 측정되어 주파수 변환된 16개의 진동신호 데이터를 사용하고, 고장분류기의 경계 인수(ε)를 설정한다. ε= [0.03, 0.01, 0.01, 0.01, 0.01, 0.01, 0.05, 0.001, 0.01, 0.001, 0.02, 0.01, 0.01, 0.01, 0.01, 0.01}

도 9a 내지 도 9c는, 각각 정상상태, 고장 #1, 및 고장 #2에 대한 FFT 변환된 진동신호 데이터의 스펙트럼(Spectrum)을 나타낸 그래프이고, 정상 상태보다 고장 #1 및 고장 #2에서 상대적으로 최대 진폭값의 크기 변화가 많음을 알 수 있다.

도 10a는 유도 전동기가 정상 상태(P01)이다가 100번째 순간에 유도 전동기에 고장 #1(P11)이 발생한 경우의 고장진단결과를 도시한 것으로서, 고장 #1 패턴 P11이 ART-2 신경회로망에 입력되면 클래스 #1(정상상태)과의 경계인수검사를 통과하지 못하여 자동으로 새로운 클래스 #2를 생성시키고 새로운 고장 #1(회전자 고장)으로 선언함을 알 수 있다. 다음으로, 100번째 순간에 유도 전동기에 새로운 고장 #2(베어링 고장)가 발생한 경우의 고장진단 결과가 도 10b에 도시되어 있으며 새로운 클래스 #3을 생성시킴을 알 수 있다.

즉, 정상상태 패턴(P01)이 입력되면 이 패턴들은 경계인수검사를 통과하여 고장클래스 #1로 분류됨을 알 수 있다. 다음으로 고장 #1 패턴 (P11)이 입력되면 이 패턴들은 클래스 #2와의 경계인수검사를 통과하여 고장클래스 #2로 분류되어 현재 유도 전공기의 상태를 고장 #1(회전자 고장)로 진단함을 알 수 있다. 마찬가지로 고장 #2 패턴 (P21)이 입력되면 고장클래스 #3으로 분류됨을 알 수 있다.

도 11a 내지 도 11c는 고장 진단 및 자동검사 GUI(Graphical User Interface} 프로그램에서 각각 (a) 정상상태, (b) 회전자 고장, (c) 베어링 고장을 유발시킨 전동기에 대한 고장진단실험 결과를 나타낸 도면이다. 이를 통해 고장진단 시스템이 정확히 고장진단함을 보여준다.

도 12a 내지 도 12c는 고장 진단 및 자동검사 GUI 프로그램에서 각각 윤활유 레벨 검사 결과를 나타낸 도면으로서, (a)에서는 측정한 윤활유 레벨이 설정한 레벨(기준치)보다 높아서 정상으로 표시됨을 보여주고 있으며, (b)에서는 측정한 윤활유 레벨이 설정한 레벨보다 낮아서 윤활유 부족에 경고등이 켜졌음을 알 수 있다. 도 12c는 전동기의 상태 및 윤활유의 레벨이 정상상태임을 보여주고 있다.

이처럼 실제 유도 전동기 및 윤활유 레벨 테스트에서 실험 데이타를 이용한 시뮬레이션 결과 본 발명은 프레스 공정진단에 잘 적용됨을 알 수 있다.

따라서, 본 발명을 실제 프레스 공정 시스템에 적용하여 운용한다면 시스템의 신뢰성 향상에 크게 기여할 것으로 기대되며, 다중고장상황에서의 고장진단과정에도 확대 적용될 수 있을 것으로 판단된다.

이상에서, 유도 전동기의 고장진단에 대해 설명하였으나, 유도 전동기 이외의 다양한 형태의 전동기뿐만 아니라 프레스 공정 시스템의 고장진단에 적용가능하며, 본 발명은 상기의 실시예에 국한되는 것은 아니며 당해 기술분야에 있어서 통상의 지식을 가진자가 본 발명의 기술적 사상의 범위를 벗어나지 않는 범위내에서 설계 변경이나 회피설계를 한다 하여도 본 발명의 범위 안에 있다 할 것이다.

도 1은 본 발명의 바람직한 실시예에 따른 프레스 공정 고장진단장치의 구성을 나타낸 기능 블럭도,

도 2는 도 1의 프레스 공정 고장진단장치를 통한 프레스 공정 고장 진단과정을 나타낸 흐름도,

도 3a 및 도 3b는 주파수 해석부의 주파수 변화과정을 나타낸 그래프로서, 각각 100Hz 단위로 max 추출과정 및 측정 데이터 FFT 변환과정을 나타낸 그래프.

도 4는 본 발명에 따른 ART2 신경회로망에 실제 입력으로 사용될 주파수 설정 부분을 나타낸 도면,

도 5는 본 발명에 따른 ART2 신경회로망을 이용한 고장분류기의 구조도,

도 6은 본 발명에 따른 고장진단장치에서 ART2 신경회로망을 이용하는 고장분류기의 동작을 요약한 흐름도,

도 7a 내지 도 7d는 본 발명에 따른 프레스 공정 고장진단장치를 이용하여 프레스 공정 고장진단 실험을 한 예를 나타낸 도면,

도 8 및 도 8bs는 본 발명에서 인위적으로 발생시킨 2가지의 고장 유형을 나타낸 도면으로 각각 회전자 고장 유발 및 베어링 고장 유발을 나타낸 도면,

도 9a 내지 도 9c는 본 발명에 따른 FFT 변환된 진동신호 데이터의 스펙트럼을 나타낸 그래프,

도 10a 및 도 10b는 각각 고장(Fault) #1 및 고장 #2에 고장진단 결과를 나타낸 그래프,

도 11a 내지 도 11c는 본 발명에 따른 유도 전동기의 고장진단 및 윤활유 레벨 자동검사 GUI(고장진단 실험)을 나타낸 도면,

도 12a 내지 도 12c는 본 발명에 따른 유도 전동기의 고장진단 및 윤활유 레벨 자동검사 GUI(윤활유 레벨실험)을 나타낸 도면,

*도면의 주요 부호에 대한 설명*

110: 유도 전동기

120: 진동 센서

130: 데이터 수집부

140: 주파수 해석부

150: 고장 분류기

Claims (15)

1. 전동기에서 진동신호를 감지하는 진동센서와,

   상기 진동 센서에 감지된 진동신호를 디지털 데이터화하여 저장하는 데이터 수집부와,

   상기 데이터 수집부에 저장된 진동신호 데이터에 대해 주파수 영역으로 변환시키는 주파수 해석부와,

   상기 주파수 해석부를 통해 변환된 진동신호 데이터를 입력 패턴으로 하여 상기 전동기에서 발생된 고장의 종류를 분류하는 고장분류기를 포함하는 것을 특징으로 하는 고장진단장치.
2. 제1항에 있어서,

   상기 고장분류기는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 하는 고장진단장치.
3. 제1항에 있어서,

   상기 주파수 해석부는 상기 진동신호 데이터를 FFT하여 주파수 영역으로 변환시키는 것을 특징으로 하는 고장진단장치.
4. 제3항에 있어서,

   상기 주파수 해석부는 상기 FFT 변환된 데이터를 각 100Hz 주파수 단위로 구분하고, 구분된 100Hz 단위에서 최대 진폭값을 갖는 1개의 신호를 추출하는 방식을 모니터링 주파수 대역에 대해 수행하는 것을 특징으로 하는 고장진단장치.
5. 제1항에 있어서,

   윤활유 탱크의 윤활유 레벨을 측정하는 윤활유 레벨 센서와,

   상기 윤활유 레벨 센서를 통해 측정된 윤활유의 레벨에 대해 기준치와 비교하여 고장 여부를 판단하는 윤활유 레벨 판별부를 더 포함하는 것을 특징으로 하는 고장진단장치.
6. 제5항에 있어서,

   상기 윤활유 레벨 센서는 센서부와 트랜스미터 표시부가 분리된 형태의 초음파 레벨 센서인 것을 특징으로 하는 고장진단장치.
7. 전동기에서 진동신호를 감지하는 진동센서와,

   상기 진동 센서에 감지된 진동신호를 디지털 데이터화하여 저장하는 데이터 수집부와,

   상기 데이터 수집부에 저장된 진동신호 데이터에 대해 주파수 영역으로 변환시키는 주파수 해석부와,

   상기 주파수 해석부를 통해 변환된 진동신호 데이터를 입력 패턴으로 하여 상기 전동기에서 발생된 고장의 종류를 분류하는 고장분류기와,

   윤활유 탱크의 윤활유 레벨을 자동 감지하여 고장의 유무를 판단하는 윤활유 레벨 자동 검사부를 포함하는 것을 특징으로 하는 고장진단장치.
8. 제1항에 있어서,

   상기 고장분류기는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 하는 고장진단장치.
9. 제1항에 있어서,

   상기 주파수 해석부는 상기 진동신호 데이터를 FFT하여 주파수 영역으로 변환시키는 것을 특징으로 하는 고장진단장치.
10. 제9항에 있어서,

    상기 주파수 해석부는 상기 FFT 변환된 데이터를 각 100Hz 주파수 단위로 구분하고, 구분된 100Hz 단위에서 최대 진폭값을 갖는 1개의 신호를 추출하는 방식을 모니터링 주파수 대역에 대해 수행하는 것을 특징으로 하는 고장진단장치.
11. 전동기에서 진동신호를 감지하는 단계와,

    상기 진동신호를 디지털 데이터화하여 저장하는 단계와,

    상기 진동신호 데이터에 대해 주파수 영역으로 변환시키는 단계와,

    상기 변환된 진동신호 데이터를 입력 패턴으로 하여 상기 전동기에서 발생된 고장의 종류를 분류하는 단계를 포함하는 것을 특징으로 하는 고장진단방법.
12. 제11항에 있어서,

    상기 고장분류단계는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 하는 고장진단방법.
13. 제11항에 있어서,

    상기 주파수 영역 변환 단계는 상기 진동신호 데이터를 FFT하여 주파수 영역으로 변환시키는 것을 특징으로 하는 고장진단방법.
14. 제13항에 있어서,

    상기 주파수 영역 변환 단계는, 상기 FFT 변환된 데이터를 각 100Hz 주파수 단위로 구분하는 단계와, 구분된 100Hz 단위에서 최대 진폭값을 갖는 1개의 신호를 추출하는 방식을 모니터링 주파수 대역에 대해 수행하는 단계를 포함하는 것을 특징으로 하는 고장진단방법.
15. 제11항에 있어서,

    윤활유 탱크의 윤활유 레벨을 자동 감지하여 고장의 유무를 판단하는 윤활유 레벨 자동 검사 단계를 더 포함하는 것을 특징으로 하는 고장진단 방법.

Images