KR20110009615A - 데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치 - Google Patents

데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치 Download PDF

Info

Publication number
KR20110009615A
KR20110009615A KR1020100037703A KR20100037703A KR20110009615A KR 20110009615 A KR20110009615 A KR 20110009615A KR 1020100037703 A KR1020100037703 A KR 1020100037703A KR 20100037703 A KR20100037703 A KR 20100037703A KR 20110009615 A KR20110009615 A KR 20110009615A
Authority
KR
South Korea
Prior art keywords
data
sensor
waveform
sampling
vibration
Prior art date
Application number
KR1020100037703A
Other languages
English (en)
Inventor
신지 고바야시
나루오 이시다
Original Assignee
제이에프이 메커니컬 가부시키가이샤
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
Priority claimed from JP2009170841A external-priority patent/JP5460160B2/ja
Priority claimed from JP2009230211A external-priority patent/JP5765881B2/ja
Application filed by 제이에프이 메커니컬 가부시키가이샤 filed Critical 제이에프이 메커니컬 가부시키가이샤
Publication of KR20110009615A publication Critical patent/KR20110009615A/ko

Links

Images

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37514—Detect normality, novelty in time series for online monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

(과제)
본 발명은, 저속회전, 고속회전 등의 다양한 설비기기에 진단을 정확하게 하기 위하여 데이터를 수집할 수 있는 데이터 수집장치 및 상기 데이터 수집장치를 구비하여 이상진단분석을 높은 신뢰성을 가지고 할 수 있는 설비기기의 진단장치를 제공한다.
(해결수단)
이를 위하여 복수의 센서(5)로부터 출력되는 신호를 입력하여 센서(5)별로 데이터를 받아들이는 데이터 입력회로(17)와, 외부로부터 입력되는 지시신호를 입력하여 상기 데이터 입력회로에 데이터 샘플링 조건을 설정하는 샘플링 조건 설정수단(19)과, 샘플링한 데이터를 외부로 송신하는 데이터 송신수단(23)을 구비하고, 샘플링 조건 설정수단(19)은 각 센서(5)별로 샘플링 시간 및 샘플링 주파수를 설정할 수 있는 것을 특징으로 하는 데이터 수집장치이다.

Description

데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치{DATA COLLECTION DEVICE, AND DIAGNOSIS DEVICE OF FACILITY MANAGEMENT WITH DATA COLLECTION DEVICE THEREOF}
본 발명은, 설비기기(設備機器)에 설치된 센서로부터의 신호에 의거하여 데이터를 수집하는 데이터 수집장치(data 收集裝置) 및 상기 데이터 수집장치를 구비한 설비기기(設備機器)의 이상진단장치(異常診斷裝置)에 관한 것이다.
공장 등에 설치된 복수의 설비기기 예를 들면 펌프(pump), 팬(fan) 등의 회전기기 등은 이들의 기기에 각종 센서를 설치하여 온라인(on line)으로 감시하여, 센서로부터 얻어지는 데이터를 유저(user)가 설정한 기준값과 비교함으로써 각 기기의 이상판정(異常判定)을 하는 방법이 일반적인 것으로서, 다양한 것이 제안되어 있다.
이러한 방법의 것으로서 예를 들면 특허문헌1에는 이하와 같은 설비기기 진단 시스템이 제안되어 있다.
「설비기기에 부착되어 상기 설비기기의 상태를 감지하는 설비상태 감지수단(設備狀態 感知手段)과, 상기 설비상태 감지수단에 의하여 감지된 설비상태 감지정보를 신호처리하여 출력하는 설비관리 데이터 처리부(設備管理 data 處理部)와, 상기 설비관리 데이터 처리부로부터 출력된 정보를 관리 기준값에 대하여 레벨 판정을 하여 출력하는 설비상태 판정부(設備狀態 判定部)와, 상기 설비상태 판정부에 의하여 레벨이 판정되어 출력된 설비기기의 관련정보를 수집, 처리하여 출력하는 설비감시부(設備監視部)와, 상기 설비감시부로부터 출력된 정보를 고도(高度)로 해석하여 해당하는 설비기기의 이상(異常) 원인과, 그 개선대책을 특정하고, 그 특정한 결과를 상기 설비 감시부로 송신하는 고도해석 진단부(高度解析 診斷部)를 구비하고, 상기 설비감시부와 상기 고도해석 진단부가 통신망을 통하여 서로 통신 가능하도록 구성되고, 상기 고도해석 진단부로부터 상기 설비감시부로 설비관리 데이터 해석용 프로그램(設備管理 data 解析用 program)을 업 로드하는 것을 특징으로 하는 설비기기 진단 시스템」(특허문헌1의 청구항1 참조).
또한 설비기기의 온라인 감시를 하는 다른 예로서는, 이하에 나타나 있는 것이 있다.
「회전기기의 진단장소에서 얻어진 각종 데이터를 사용하여 상기 회전기기의 동작에 대한 이상진단을 하는 회전기기 이상진단장치에 있어서, 회전기기에 상설(常設)된 센서와, 상기 센서로부터의 각종 데이터를 온라인으로 받아들이는 수단과, 기록매체에 기록된 각종 데이터를 오프라인으로 받아들이는 수단과, 제1 및 제2컴퓨터와, 온라인으로 받아들인 각종 데이터와 오프라인으로 받아들인 각종 데이터를 선택적으로 제2컴퓨터에 공급하여 이들 데이터의 이상진단을 하는 제1진단수단과, 온라인으로 받아들인 각종 데이터를 제1컴퓨터에 공급하여 항상 리얼타임(real time)으로 모니터를 하고, 상기 데이터에 이상징후가 있는 경우에 제2컴퓨터에 인터럽트(interrupt)를 거는 이상판별수단(異常判別手段)과, 상기 인터럽트 시에 제2컴퓨터에 의하여 상기 이상징후가 있는 데이터를 관련된 데이터를 사용하여 상세하게 진단하는 제2진단수단과, 상기 제1 및 제2진단의 결과를 표시하는 표시수단(表示手段)을 구비하는 것을 특징으로 하는 회전기기 이상진단장치」(특허문헌2의 청구항1 참조).
또한 설비기기의 온라인 감시를 하는 것 이외의 예로서 예를 들면 특허문헌3에는, 밸브(valve)의 진동파형을 채취하여 주파수 분석을 하고, 정상상태로서 확정된 주파수 스펙트럼과 이후의 측정에 의하여 얻어진 진동파형의 주파수 스펙트럼을 빼고 남은 스펙트럼 성분 데이터로부터, 주파수 영역 파라미터로서 쿨백 정보량(Kullback 情報量)을 산출하고, 이것을 사용하여 이상 유무의 판정을 하는 장치의 이상진단방법이 개시되어 있다(특허문헌3의 [0019] 참조).
일본국 공개특허 특개2002-73154호 공보 일본국 공개특허공보 특개평5-60596호 공보 일본국 공개특허 특개2001-318031호 공보
류우신팡(劉信芳) 외 4명, 「대칭형 쿨백 정보량에 의한 회전기계의 이상진단」, 일본설비관리학회지, 1998, 제10권, 제3호, p.22-27
공장 내에는 여러 가지의 설비기기가 설치되어 있고, 이들 여러 가지 설비기기의 진단을 정확하게 하기 위해서는 이하의 2개의 요건이 필요하다. 제1요건으로서 진단에 사용되는 데이터를 적절하게 취득할 수 있을 것, 제2요건으로서 진단에 사용되는 해석프로그램이 진단대상의 설비기기 특성에 적합하게 되어 있을 것이다.
그러나 상기의 특허문헌1∼특허문헌3에 나타나 있는 방법에서는, 이 제1요건, 제2요건이 반드시 만족될 수 있는 것은 아니다. 이하에서는 이 점에 대하여 상세하게 설명한다.
<제1요건에 대하여>
설비기기의 온라인 감시를 하는 종래의 기술에 있어서는, 설비기기에 설치된 센서로부터 적절한 데이터를 취득할 수 있는 것을 전제로 하여, 취득한 데이터에 의거하여 어떤 진단해석을 하면 정확한 진단을 할 수 있을지에 대하여 제안되어 있다.
그러나 정확한 진단을 하기 위해서는 진단에 사용되는 데이터를 적절하게 취득할 수 있는 것이 필수적인 조건이 되지만, 종래의 설비기기 진단장치에 있어서는 적절하게 데이터를 취득하기 위한 기술에 대해서는 기술되어 있지 않았다. 취득하는 데이터가 적절한 것이 아니라면 그 데이터에 의거하여 이루어지는 진단프로그램이 우수하다고 하더라도 정확한 진단을 할 수 없다.
이하, 취득하는 데이터의 중요성에 대하여 상세하게 설명한다.
공장 내에는 여러 가지 기기가 설치되어 있고 예를 들면 회전기기에 있어서도 저속회전의 것이나 고속회전의 것이 있다. 또한 진동 주파수에 관해서도 고주파의 것이나 저주파의 것이 있다.
회전기기의 회전수를 예로 하여 설명하면 가령 3600rpm, 100rpm, 60rpm의 3종류의 회전수의 것이 있다고 하면, 각각의 1회전에 소요되는 시간은 0.016s, 0.60s, 1.0s이다. 취득하는 데이터가 진동 데이터인 경우에 데이터를 정확하게 취득하기 위해서는, 각각 0.1s, 1.0s, 2.0s 이상의 샘플링 시간(sampling time)이 필요하게 된다. 즉 고속회전의 것에서는 데이터의 샘플링 시간은 단시간이어도 좋지만, 저속회전의 것에서는 데이터의 샘플링 시간을 장시간으로 할 필요가 있다.
그러나 종래의 데이터 수집장치에서는 샘플링 시간을 적절하게 변경할 수 있는 것은 없고, 예를 들면 저속회전으로부터 고속회전의 회전기기 모두에 적절한 데이터 수집을 할 수 없다는 것이 현재의 상태이다. 이 때문에 예를 들면 저속회전의 회전기기에 관해서는 온라인 감시로부터 제외시켜서 별도의 오프라인에서 진단을 하는 비효율적인 진단을 하고 있는 경우도 있다.
또한 샘플링 주파수에 관해서도 진동 주파수가 저주파수인 것에 대해서는 샘플링 주파수는 저주파로 하는 것이 좋지만, 고주파수인 것에 대해서는 샘플링 주파수도 고주파로 할 필요가 있다. 이 때문에 다양한 설비기기를 대상으로 하여 온라인 감시를 하기 위해서는, 각각의 기기에 적절한 샘플링 주파수를 설정하여 실시하는 것이 요구된다.
그러나 종래의 데이터 수집장치에 있어서는, 샘플링 주파수는 미리 결정된 것이기 때문에 당해 기기에 알맞은 샘플링을 하기 어렵다. 다만 예를 들면 저주파의 것에 대하여 샘플링 주파수를 고주파에 의하여 취득할 수도 있지만, 저주파의 것은 샘플링 시간이 길기 때문에 이와 같은 것에 대하여 고주파에 의하여 샘플링을 한다면, 방대한 데이터량이 되어 기억용량이 방대하게 됨과 아울러 데이터 처리에도 장시간이 소요되어 적절하지 않다.
또한 1개의 장치 예를 들면 전동기(電動機)의 회전축에 감속기(減速機)를 설치한 것에서는, 전동기와 감속기를 동시에 진단함으로써 비로소 장치 전체의 정확한 진단이 가능하게 된다. 그런데 전동기와 감속기에서는 회전수가 달라서 각각 알맞은 샘플링 시간이나 샘플링 주파수가 달라지기 때문에, 이들 각각에 대하여 동시에 알맞은 데이터 샘플링을 하여 비로소 장치 전체의 정확한 진단이 가능하게 되는 것이지만, 이것을 실현할 수 없는 것이 현재의 상태이다.
다양한 기기의 데이터를 취득하여 정확한 진단을 하기 위해서는, 진단의 전제가 되는 데이터를 적절하게 취득하는 것이 필수적인 조건이다.
<제2요건에 대하여>
특허문헌3에 기재되어 있는 것은, 채취한 진동파형의 주파수 분석을 하여 정상상태와 이상상태의 주파수 스펙트럼의 차이를 쿨백 정보량으로서 구하는 방법이다. 그러나 예를 들면 플런저 펌프(plunger pump)에 있어서 흡입밸브(吸入 valve)의 진동파형과 같이 정상상태에서의 진동파형이 작은 경우에는, 진단 시에 있어서 이상진동이 발생하고 있어도 그 이상 성분이 나타나기 어렵고, 이 때문에 이상을 감지하는 것이 곤란하다는 문제가 있다. 즉 특허문헌3에 기재되어 있는 방법에서는, 진단에 사용되는 해석프로그램이 진단대상의 설비기기 특성에 적합하다고는 말할 수 없다.
이하, 이 문제점을 플런저형 펌프의 흡입·토출밸브를 예로 하여 상세하게 설명한다.
도25는 플런저형 펌프의 흡입·토출밸브에　 가속도 센서(加速度 sensor)를 설치하였을 경우에 있어서의 가속도 파형을 나타내는 것으로서, 도25(a)가 정상 시의 가속도 파형이고, 도25(b)가 이상상태, 구체적으로는 흡입밸브의 마모에 의하여 리크(leak)가 발생하고 있는 상태에서의 가속도 파형이다. 또한 도26은 도25에 나타나 있는 가속도 파형에 의거한 확률밀도함수(確率密度函數)의 그래프를 나타내는 것으로서, 도26(a)가 도25(a)에 대응하는 정상 시를 나타내고 있고, 도26(b)가 도25(b)에 대응하는 이상 시를 나타내고 있다. 또한 도27은 도26(a), 도26(b)를 포갠 상태를 나타내고 있다.
도27을 보면 이해할 수 있는 바와 같이 정상 시와 이상 시에서는 확률밀도함수에는 차이가 나타나고 있다.
도27에 나타나 있는 바와 같은 확률밀도함수로 나타냄으로써 정상 시와 이상 시를 시각적으로 비교하는 것이 가능하다. 그러나 이 상태에서는 아직 수치화되어 있는 것이 아니어서 자동판정을 할 수 없기 때문에 수치화하는 것이 필요하고, 이렇게 수치화하는 하나의 방법이 특허문헌3에 나타나 있는 쿨백 정보량(이하, 「KL」이라고 표시하는 경우가 있다)이고, 이 쿨백 정보량은 하기 식(1)로 정의된다.
[식1]
Figure pat00001
단, Pr(t) : 정상상태에 있어서의 진동파형의 확률밀도함수
Pt(t) : 진단 시에 있어서의 진동파형의 확률밀도함수
그러나 쿨백 정보량은, 상기 (1)식으로부터 이해할 수 있는 바와 같이 정상상태에 있어서의 진동파형의 확률밀도함수 값이 작은 경우에는, 진단 시에 있어서의 확률밀도함수 값이 크게 되더라도 KL 값으로서는 작아지게 되어 이상을 감지하는 것이 곤란하게 된다.
이상과 같이 특허문헌3에 나타나 있는 바와 같이 KL을 진단에 사용하더라도 정상상태에 있어서의 진동파형의 확률밀도함수 값이 작은 경우에는 부적합하다는 문제가 있다.
이상과 같이 다양한 기기의 데이터를 취득하여 정확한 진단을 하기 위해서는, 진단의 전제가 되는 데이터를 적절하게 취득할 수 있을 것(제1요건) 및 해석에 사용되는 해석프로그램이 진단대상 설비기기의 특성에 적합할 것(제2요건)이 필수적인 조건이 된다.
그러나 종래의 예에 있어서는 데이터의 샘플링 시간이나 샘플링 주파수를 적절하게 설정할 수 있는 것은 없고, 이 때문에 정확한 진단을 할 수 없거나 또는 특별히 저회전의 기기 등을 온라인 감시로부터 제외시켜서 별도로 진단하는 것으로 되어 있었다.
또한 특허문헌3에 기재된 것과 같은 방법에서는, 예를 들면 플런저형 펌프의 흡입·토출밸브에 대해서는 적합성이 없고, 또 데이터의 샘플링 시간이나 샘플링 주파수를 적절하게 설정하지 않아, 이 때문에 정확한 진단을 할 수 없다.
또 상기한 설명에서는 회전기계를 예로 하여 설명하였지만, 상기한 문제점은 회전기계에 한정되지 않고 예를 들면 간헐적인 동작을 하는 플런저 펌프나, 간헐적인 동작 또는 순간 동작을 하는 프레스기나, 왕복이동을 하는 압축기 등에 있어서도 동일하다.
본 발명은 상기한 바와 같은 문제점을 해결하기 위한 것으로서, 저속회전, 고속회전 혹은 저속동작, 고속동작 등 여러 가지의 설비기기에 대하여 진단을 정확하게 하기 위하여 데이터를 수집할 수 있는 데이터 수집장치 및 상기 데이터 수집장치를 구비하여 이상진단분석을 높은 신뢰성을 가지고 할 수 있는 설비기기의 진단장치를 제공하는 것을 목적으로 하고 있다.
또한 정상운전 시에는 진동파형이 나오기 어려운 설비기기에 적합성이 있고, 이들의 설비기기에 대하여 진단을 정확하게 할 수 있는 설비기기의 진단장치를 제공하는 것을 목적으로 하고 있다.
(1)본 발명에 관한 데이터 수집장치는, 복수의 센서로부터 출력되는 신호를 입력하여 각 센서별로 데이터를 받아들이는 데이터 입력회로(data 入力回路)와, 외부로부터 입력되는 지시신호를 입력하여 상기 데이터 입력회로에 데이터 샘플링 조건을 설정하는 샘플링 조건 설정수단(sampling 條件 設定手段)과, 샘플링한 데이터를 외부로 송신하는 데이터 송신수단(data 送信手段)을 구비하고, 상기 샘플링 조건 설정수단은, 각 센서별로 샘플링 시간 및 샘플링 주파수를 설정할 수 있는 것을 특징으로 하는 것이다.
(2)상기 (1)에 기재된 것에 있어서, 상기 센서는, 진동센서(振動 sensor), 음향센서(音響 sensor), AE 센서(Acoustic Emission sensor), 변위센서(變位 sensor), 왜곡센서(歪曲 sensor), 압력센서(壓力 sensor), 전류센서(電流 sensor), 전압센서(電壓 sensor), 전력센서(電力 sensor) 중 어느 하나 또는 이들 센서로부터 선택되는 복수의 센서인 것을 특징으로 하는 것이다.
(3)또한 상기 (1) 또는 (2)에 기재된 것에 있어서, 상기 샘플링 조건 설정수단은, 복수의 센서 중에서 동시에 샘플링 하는 센서를 설정할 수 있는 기능을 구비하는 것을 특징으로 하는 것이다.
(4)본 발명에 관한 설비기기의 진단장치는, 상기 (1) 또는 (2)에 기재된 데이터 수집장치를 구비한 설비기기의 진단장치로서, 상기 데이터 수집장치와 통신회선으로 접속된 감시 컴퓨터(監視 computer)를 구비하고, 상기 감시 컴퓨터는, 상기 데이터 수집장치에 의한 샘플링 조건을 입력하는 샘플링 조건 입력수단(sampling 條件 入力手段)과, 상기 데이터 수집장치로부터 송신되는 데이터에 의거하여 설비의 상태를 진단하는 하나 또는 복수의 해석프로그램(解析 program)을 구비하고 있는 것을 특징으로 하는 설비기기의 진단장치.
(5)또한 상기 (4)에 기재된 것에 있어서, 상기 해석프로그램 중 하나가, 기계의 운전상태(運轉狀態)에 있어서의 진동파형(振動波形)을 채취하고, 진동파형에 의거하여 진동을 특징짓는 복수의 진동 파라미터(振動 parameter)를 산출하고, 복수의 진동 파라미터로부터 주성분 분석법(主成分 分析法)에 의하여 주성분을 추출하고, 주성분에 의거하여 하나의 상태평가지수(狀態評價指數)인 통합 파라미터(統合 parameter)를 산출하고, 상기 통합 파라미터에 의거하여 기기의 양부판정(良否判定)을 하는 통합 파라미터 해석프로그램(統合 parameter 解析 program)인 것을 특징으로 하는 것이다.
(6)또한 상기 (4)에 기재된 것에 있어서, 상기 해석프로그램 중 하나가, 기계의 운전상태에 있어서의 정상상태의 파형을 채취하고, 그 파형의 진폭확률 밀도함수(振幅確率 密度函數)를 산출하고, 또한 쿨백 정보량(Kullback 情報量)으로서 수치화 한 값을 사용하여 기계의 양부판정을 하는 쿨백 정보량 해석프로그램(Kullback 情報量 解析 program)인 것을 특징으로 하는 것이다.
(7)또한 상기 (4)에 기재된 것에 있어서, 상기 해석프로그램 중 하나가, 기계의 운전상태에 있어서의 복수 측정점의 파형을 동시에 채취하고, 이들 파형을 사용하여 기계의 실제 진동의 움직임을 애니메이션 표시(animation 表示)에 의하여 가시화(可視化) 하는 실가동(實可動) 해석 기능을 구비하는 실가동 해석프로그램(實可動 解析 program)인 것을 특징으로 하는 것이다.
(8)또한 상기 (4)에 기재된 것에 있어서, 상기 해석프로그램 중 하나가, 서로 다른 측정부위의 2개의 파형을 동시에 채취하고, 양방의 데이터에 관련성이 인정되는가를 평가하기 위한 코히런스 함수(coherence 函數)(관련도 함수(關連度 函數)) 해석 기능을 구비하는 코히런스 함수 해석프로그램(coherence 函數 解析 program)인 것을 특징으로 하는 것이다.
(9)또한 상기 (4)에 기재된 것에 있어서, 상기 해석프로그램 중 하나가, 상시감시(常時監視)에 의하여 축적된 파라미터의 시계열 데이터(時系列 data)를 사용하여 장래의 수명 도달일을 예측할 때에, 통계적 방법을 사용하여 수명예측의 자동연산을 하고, 결과를 자동으로 표시하는 자동 수명예측 프로그램(自動 壽命豫測 program)인 것을 특징으로 하는 것이다.
(10)또한 상기 (9)에 기재된 것에 있어서, 자동 수명예측 프로그램은, 복수의 모델식을 사용하여 초회예측연산을 하는 초회연산공정(初回演算工程)과, 복수의 모델식별로 자유도 조정완료 결정계수를 산출하는 결정계수 산출공정(決定係數 算出工程)과, 복수의 모델식 중에서 자유도 조정완료 결정계수가 최대가 된 모델식을 당해 파라미터에 있어서의 수명예측 모델식으로서 결정하는 모델식 결정공정(model式 決定工程)과, 선택된 모델식을 사용하여 각 파라미터별로 예측연산을 함으로써 주의값 도달일, 한계값 도달일을 산출하는 수명예측 연산공정(壽命豫測 演算工程)을 구비하여 이루어지는 것을 특징으로 하는 것이다.
(11)또한 상기 (10)에 기재된 것에 있어서, 복수의 모델식 중 하나가 ARIMA 모델식이고, 상기 ARIMA 모델식을 사용하여 수명예측연산을 하는 경우에 있어서, 전체 데이터 중에서 최단(最短)으로 되어 있는 주기를 구하고, 그 주기 내에 데이터가 존재하고 있는가 아닌가를 확인하고, 그 주기 내에 데이터가 존재하지 않는 경우에는 그 전후의 데이터로부터 당해 구간의 데이터를 가상 데이터(假想 data)로서 부여하여 ARIMA 모델식을 적용하도록 한 것을 특징으로 하는 것이다.
(12)또한 상기 (4)에 기재된 것에 있어서, 상기 해석프로그램 중 하나는, 기기의 정상상태에 있어서의 데이터를 채취하고, 그 정상 데이터를 사용하여 적절한 상대판정 기준값을 자동으로 설정하는 기능을 구비하는 판정기준 자동설정 프로그램(判定基準 自動設定 program)인 것을 특징으로 하는 것이다.
발명자는, 특히 제2요건에 관한 과제를 해결하기 위하여 상기한 플런저 펌프의 흡입·토출밸브와 같이 정상 시에는 진동파형이 나오기 어려운 설비기기의 이상을 정확하게 판정할 수 있는 해석프로그램에 대하여 검토한 바, 비특허문헌1에 표시된 하기 식(2)로 정의되는 대칭형 쿨백 정보량(이하, ID라고 표시하는 경우가 있다)에 착안하였다.
[식2]
Figure pat00002
단, Pr(t) : 정상상태에 있어서의 진동파형의 확률밀도함수
Pt(t) : 진단 시에 있어서의 진동파형의 확률밀도함수
상기 (2)식을 이용함으로써 정상상태에 있어서의 진동파형의 확률밀도함수 : Pr(t)의 값이 작은 경우이더라도 진단 시에 있어서의 진동파형의 확률밀도함수 : Pt(t)의 값을 정확하게 파악할 수 있고, 특히 정상상태에 있어서의 진동파형의 확률밀도함수 : Pr(t)의 값이 작은 진단대상 기기에 유효하다는 지식을 얻고, 이 점을 확인하였다.
도28은, 도27에 나타나 있는 확률밀도함수에 의거하여 산출한 KL 값(도28(a))과 ID 값(도28(b))의 분포를 그래프로 표시한 것이다. 또 KL 값, ID 값은 도28의 그래프에 나타나 있는 곡선으로 둘러싸인 면적에 상당하는 것이다.
도28의 그래프를 보면 이해되는 바와 같이 KL 값은 가속도(가로축)가 0인 양측에서는 대략 0으로서 수치로서 나타나지 않지만(도28(a) 참조), ID 값은 동일한 위치에 있어서 수치가 현저하게 나타나고 있다(도28(b) 참조). 이것은 도25에 나타나 있는 실제의 설비기기 상태를 정확하게 파악할 수 있는 것을 의미하고 있다.
이상과 같이 예를 들면 플런저 펌프에 있어서 흡입밸브의 진동파형과 같이 정상상태에 있어서의 진동파형이 작은 경우이더라도 대칭형 쿨백 정보량을 이용함으로써 이상진동을 정확하게 파악할 수 있다는 지식을 얻었다.
해석프로그램으로서 대칭형 쿨백 정보량을 사용하더라도 그 전제가 되는 데이터 취득을 정확하게 할 수 있어야 한다. 여기에서 발명자는 데이터 수집장치에 관해서도 검토하여, 진단대상에 적합한 샘플링 주파수, 샘플링 시간으로 설정 가능한 데이터 수집장치를 이용함으로써 상기 해석프로그램의 사용과 더불어 정확한 설비기기의 진단이 가능하게 된다는 지식을 얻었다.
본 발명의 이하에 나타나 있는 것은 상기한 지식에 의거한 것으로서, 구체적으로는 이하가 구성으로 이루어지는 것이다.
(13)본 발명에 관한 설비기기의 진단장치는, 진단대상 기기에 설치된 센서로부터의 신호를 입력하여 데이터를 수집하는 데이터 수집장치와, 상기 데이터 수집장치에 데이터의 송수신을 하는 감시 컴퓨터를 구비한 설비기기의 진단장치로서,
상기 데이터 수집장치는, 센서로부터 출력되는 신호를 입력하여 데이터를 받아들이는 데이터 입력회로와, 외부로부터 입력되는 지시신호를 입력하여 상기 데이터 입력회로에 데이터 샘플링 조건을 설정하는 샘플링 조건 설정수단과, 샘플링한 데이터를 외부로 송신하는 데이터 송신수단을 구비하고,
상기 감시 컴퓨터는, 상기 데이터 수집장치에 의한 샘플링 조건을 입력하는 샘플링 조건 입력수단과, 상기 데이터 수집장치로부터 송신되는 데이터에 의거하여 설비의 상태를 진단하는 진단처리수단(診斷處理手段)을 구비하여 이루어지고,
상기 진단처리수단은, 상기 데이터 수집장치에 의하여 샘플링된 데이터에 의거하여 진단대상 기기의 가동상태에 있어서의 파형을 채취하는 파형채취수단(波形採取手段)과, 상기 파형채취수단에 의하여 채취된 파형의 확률밀도함수를 산출하는 확률밀도함수 산출수단(確率密度函數 算出手段)과, 상기 확률밀도함수 산출수단에 의하여 산출된 상기 진단대상 기기의 정상 시와 진단 시의 확률밀도함수로부터, 하기 식으로 정의되는 대칭형 쿨백 정보량(ID)을 산출하는 대칭형 쿨백 정보량 산출수단(對稱形 Kullback 情報量 算出手段)과, 산출된 대칭형 쿨백 정보량(ID)을 미리 정한 임계값과 비교하여 상기 진단대상 기기가 이상인가 아닌가를 판정하는 판정수단(判定手段)을 구비하는 것을 특징으로 하는 것이다.
[식3]
Figure pat00003
단, Pr(t) : 정상상태에 있어서의 진동파형의 확률밀도함수
Pt(t) : 진단 시에 있어서의 진동파형의 확률밀도함수
(14)또한 상기 (13)에 기재의 것에 있어서, 상기 파형채취수단은, 채취한 파형에 있어서의 진동의 X, Y 방향의 2개의 시간파형을 합성하여 리사쥬 파형(Lissajous 波形)을 산출하는 기능을 구비하고 있는 것을 특징으로 하는 것이다.
(15)또한 상기 (13)에 기재된 것에 있어서, 상기 파형채취수단은, 채취한 파형을 자기상관함수 파형(自己相關函數 波形)으로 변환하는 기능을 구비하고 있는 것을 특징으로 하는 것이다.
(16)또한 기(13)에 기재된 것에 있어서, 상기 파형채취수단은, 채취한 파형을 엔벨로프 파형(Envelope 波形)으로 변환하는 기능을 구비하고 있는 것을 특징으로 하는 것이다.
(17)또한 상기 (13) 내지 (16)의 어느 하나에 기재된 것에 있어서, 상기 센서는, 진동센서, 음향센서, AE 센서, 변위센서, 왜곡센서, 압력센서, 전류센서, 전압센서, 전력센서 중 어느 하나 또는 이들 센서로부터 선택되는 복수의 센서인 것을 특징으로 하는 것이다.
본 발명에 있어서는, 복수의 센서로부터 출력되는 신호를 입력하여 각 센서별로 데이터를 받아들이는 데이터 입력회로와, 외부로부터 입력되는 지시신호를 입력하여 상기 데이터 입력회로에 데이터 샘플링 조건을 설정하는 샘플링 조건 설정수단과, 샘플링한 데이터를 외부로 송신하는 데이터 송신수단을 구비하고, 상기 샘플링 조건 설정수단은 각 센서별로 샘플링 시간 및 샘플링 주파수를 설정할 수 있도록 하였기 때문에, 다양한 기기나 1개 장치의 복수 부위나 그 설치 부위로부터의 데이터를 적절하게 취득할 수 있고, 그 데이터에 의거하여 정확한 진단을 할 수 있다.
또한 진단처리에 대칭형 쿨백 정보량을 사용하였기 때문에, 정상운전 시에는 진동파형이 나오기 어려운 설비기기 예를 들면 플런저형 펌프의 흡입·토출밸브에 대한 이상진단에 대해서도 정확한 진단을 할 수 있다.
도1은 본 발명의 실시예1에 관한 데이터 수집장치의 구성에 대한 블럭도이다.
도2는 본 발명의 실시예1에 관한 감시용 PC(11)의 블럭도이다.
도3은 본 발명의 실시예1에 관한 설비기기 진단장치의 전체 구성에 대한 설명도이다.
도4는 본 발명의 실시예1에 관한 통합 파라미터 해석프로그램을 실행하였을 때의 표시화면의 예를 나타내는 도면이다.
도5는 종래 방법에 의한 ACC-P(가속도 피크값)의 시간경과를 나타내는 도면이다.
도6은 종래 방법에 의한 VEL-P(속도 피크값)의 시간경과를 나타내는 도면이다.
도7은 본 발명의 실시예1에 관한 쿨백 정보량 해석프로그램에 의하여 온라인 감시하였을 때의 그래프이다.
도8은 종래 방법에 의한 가속도 피크값의 경향관리 그래프이다.
도9는 본 발명의 실시예1에 관한 실가동 해석프로그램을 실행하여 애니메이션 표시를 하였을 때에 있어서 모니터에 나타나 있는 애니메이션의 예를 나타내는 도면이다.
도10은 본 발명의 실시예1에 관한 코히런스 함수 해석프로그램을 실행하였을 때의 결과를 나타내는 그래프이다.
도11은 본 발명의 실시예1에 관한 자동 수명예측 프로그램에 사용되는 ARIMA 모델의 문제점을 설명하는 설명도이다.
도12는 본 발명의 실시예1에 관한 자동 수명예측 프로그램에 사용되는 ARIMA 모델의 개선방법에 대한 설명도이다.
도13은 본 발명의 실시예1에 관한 자동 수명예측 프로그램을 실행하였을 때의 화면표시를 나타내는 도면이다.
도14는 본 발명의 실시예1에 관한 자동 수명예측 프로그램으로 ARIMA 모델을 실행하였을 때의 설명도이다.
도15는 본 발명의 실시예1에 관한 판정기준 자동설정 프로그램을 실행하여 경향관리를 하였을 때의 그래프이다.
도16은 본 발명의 실시예2에 관한 설비기기 진단장치의 블럭도이다.
도17은 본 발명의 실시예2에 관한 설비기기 진단장치의 전체 구성에 대한 설명도이다.
도18은 본 발명의 실시예2에 대한 효과를 설명하는 설명도로서, 대칭형 쿨백 정보량(ID 값)을 사용하였을 경우와, 종래의 쿨백 정보량(KL 값)을 사용하였을 경우에 있어서의 경향관리 그래프이다.
도19는 본 발명의 실시예3에 대한 설명도이다.
도20은 본 발명의 실시예3에 대한 설명도이다.
도21은 본 발명의 실시예4에 대한 설명도이다.
도22는 본 발명의 실시예4에 대한 설명도이다.
도23은 본 발명의 실시예5에 대한 설명도이다.
도24는 본 발명의 실시예5에 대한 설명도이다.
도25는 본 발명이 해결하려고 과제를 설명하는 설명도이다.
도26은 본 발명이 해결하려고 과제를 설명하는 설명도이다.
도27은 본 발명이 해결하려고 과제를 설명하는 설명도이다.
도28은 과제의 해결 수단을 설명하는 설명도이다.
[실시예1]
본 발명의 실시예1에 관한 데이터 수집장치(data 收集裝置)(7) 및 이 데이터 수집장치(7)를 사용한 설비기기의 진단장치에 대하여 도1∼도3에 의거하여 설명한다.
본 실시예에 있어서는 센서로서 진동센서(振動 sensor)를 예로 들어 설명하지만, 본 발명은 진동센서에 한정되지 않고 진동센서 이외에 음향센서(音響 sensor), AE 센서(Acoustic Emission sensor), 변위센서(變位 sensor), 왜곡센서(歪曲 sensor), 압력센서(壓力 sensor), 전류센서(電流 sensor), 전압센서(電壓 sensor), 전력센서(電力 sensor) 중 어느 하나 또는 이들 센서로부터 선택되는 복수의 센서를 사용할 수 있다.
본 실시예에 있어서 설비기기(設備機器)의 진단장치(診斷裝置)(1)는, 도3에 나타나 있는 바와 같이 진단대상인 예를 들면 회전기계(回轉機械)(3)에 설치된 진동센서(振動 sensor)(5)로부터의 진동신호를 입력하여 진동 데이터를 수집하는 데이터 수집장치(7)와, 복수의 데이터 수집장치(7)를 LAN에 접속시키는 허브(hub)(9)와, LAN에 접속되어 데이터 수집장치(7)에 샘플링(sampling) 시간이나 샘플링 주파수를 지시하거나, 데이터 수집장치(7)로부터 송신되는 데이터에 의거하여 설비기기의 이상진단(異常診斷)을 하는 감시용 PC(監視用 PC)(11)(퍼스널 컴퓨터)를 구비하고 있다.
각 구성에 대하여 상세하게 설명한다.
<데이터 수집장치(data 收集裝置)>
데이터 수집장치(7)는, 도1에 나타나 있는 바와 같이 복수의 진동센서(5)로부터 출력되는 신호를 입력하여 각 진동센서(5)별로 진동파형 데이터(振動波形 data)를 받아들이는 아날로그 회로(analog 回路)(13), 아날로그 회로(13)에서 받아들인 아날로그 데이터를 디지털 데이터로 변환하는 A/D 변환회로(A/D 變換回路)(15)와, A/D 변환회로(15)에 의하여 디지털 변환된 데이터를 샘플링 조건 설정수단(19)의 설정에 의거하여 샘플링하여 기억수단(記憶手段)(21)으로 보내는 샘플링 처리회로(sampling 處理回路)(17)와, 샘플링 처리회로(17)에 데이터의 샘플링 조건을 설정하는 샘플링 조건 설정수단(sampling 條件 設定手段)(19)과, 샘플링 처리회로(17)에 의하여 반송되는 데이터를 기억하는 기억수단(記憶手段)(21)과, 기억수단(21)에 축적된 데이터를 읽어서 감시용 PC(11)로 송신하는 데이터 송신수단(data 送信手段)(23)과, 통신회선을 통하여 접속된 감시용 PC(11)와의 통신을 하기 위한 통신제어수단(通信制御手段)(25)을 구비하고 있다.
아날로그 회로(13)는, 적분회로(積分回路), 하이패스 필터(high-pass filter), 로패스 필터(low-pass filter) 등을 구비하여 구성된다.
아날로그 회로(13), A/D 변환회로(15) 및 샘플링 처리회로(17)가 본 발명의 진동파형 입력회로(振動波形 入力回路)를 구성하고 있다.
샘플링 조건 설정수단(19)은, 감시용 PC(11)로부터의 지시에 따라 진동센서(5)로부터 입력되는 진동 데이터의 샘플링 시간, 샘플링 주파수를 설정하고, 또한 복수의 진동센서(5) 중 동시에 샘플링하는 진동센서(5)를 설정하고, 또한 아날로그 회로(13)에 설치되어 있는 하이패스 필터나 로패스 필터 중 어느 필터를 통과시킬 것인가의 필터절환(filter 切換)에 관해서도 설정한다.
샘플링 조건 설정수단(19)이 설정하는 샘플링 시간으로서는 예를 들면 1.0초∼30초이고, 샘플링 주파수로서는 예를 들면 0.1kHz∼40kHz이다.
또 샘플링 조건 설정수단(19)이나 데이터 송신수단(23)은 CPU가 프로그램을 실행함으로써 실현된다.
데이터 수집장치(7)는 통신제어수단(25)을 구비하고 있고, 통신제어수단(25)에 의하여 감시용 PC(11)로부터 데이터 샘플링에 관한 지시를 받고, 또 수집한 데이터를 감시용 PC(11)로 송신할 수 있다.
<감시용 PC(監視用 PC)>
감시용 PC(11)는, 도2에 나타나 있는 바와 같이 이상진단에 사용되는 다양한 해석프로그램이 저장되어 있고, 진단대상에 가장 적절한 해석프로그램이 선택되어 이상진단이 이루어진다.
본 실시예의 감시용 PC(11)에는, 통합 파라미터 해석프로그램(統合 parameter 解析 program)(27), 쿨백 정보량 해석프로그램(Kullback 情報量 解析 program)(29), 실가동 해석프로그램(實稼動 解析 program)(31), 코히런스 해석프로그램(coherence 解析 program)(33), 자동 수명예측 프로그램(自動 壽命豫測 program)(35), 판정기준 자동설정 프로그램(判定基準 自動設定 program)(37)이 인스톨(install)되어 있다.
다만 사용할 수 있는 해석프로그램은 이것에 한정되는 것이 아니라 기존의 다양한 해석프로그램을 사용할 수 있다.
또 각 해석프로그램에 대해서는 후에 상세하게 설명한다.
감시용 PC(11)는, 통신회선을 통하여 접속된 데이터 수집장치(7)와의 통신을 하기 위한 통신제어수단(通信制御手段)(39)과, 샘플링하는 데이터의 샘플링 시간이나 샘플링 주파수를 입력하는 샘플링 조건 입력수단(sampling 條件 入力手段)(41), 이상진단에 사용되는 해석프로그램을 선택하는 해석프로그램 선택수단(解析 program 選擇手段)(43)과, 해석프로그램 선택수단(43)에 의하여 선택된 해석프로그램을 사용하여 데이터 수집장치(7)로부터 송신되는 데이터를 사용하여 이상진단을 하는 진단처리수단(診斷處理手段)(45)과, 데이터 수집장치(7)로부터 송신되는 데이터나 진단결과를 기억하는 기억수단(47)을 구비하고 있다.
해석프로그램 선택수단(43)은, 예를 들면 모니터 등의 표시수단(表示手段)(49)에 해석프로그램 명 등을 표시하고, 오퍼레이터가 키보드 등의 입력수단(入力手段)(51)으로 입력함으로써 선택할 수 있도록 구성된다.
또한 샘플링 조건 입력수단(41)은, 예를 들면 각 데이터 수집장치(7)의 각 진동센서(5)별로 샘플링 시간, 샘플링 주파수, 동시 샘플링 대상, 필터절환을 입력할 수 있는 입력 프레임(入力 frame)을 모니터에 표시하고, 오퍼레이터가 키보드 등의 입력수단(51)에 의하여 입력할 수 있도록 구성된다.
상기한 바와 같이 구성된 본 실시예에 의하여 설비기기의 온라인 감시(on-line 監視)를 하는 방법에 대하여 설명한다.
어떤 해석프로그램을 사용하는 경우이더라도 진단대상이 되는 기기에 알맞은 샘플링 시간이나 샘플링 주파수를 설정할 필요가 있다. 또한 사용하는 해석프로그램에 따라서는 동시 샘플링이 필수가 되는 경우가 있다. 여기에서 오퍼레이터는 샘플링 조건 입력화면을 모니터에 표시시키고, 키보드에 의하여 화면에 표시된 각 데이터 수집장치(7)의 각 진동센서(5)별로 샘플링 시간, 샘플링 주파수 및 동시 샘플링 대상 센서 등을 입력한다.
예를 들면 모터의 베어링 상자와, 이 모터에 접속되어 있는 감속기 출력축의 베어링 상자에 진동센서(5)가 설치되어 있는 경우이면, 모터에 있어서 베어링 상자의 진동센서(5)에 관해서는 샘플링 시간을 짧게 설정하고, 샘플링 주파수를 높게 설정하고, 감속기측의 진동센서(5)에 관해서는 샘플링 시간을 길게 설정하고, 샘플링 주파수를 낮게 설정한다.
오퍼레이터가 필요한 정보를 입력하여 송신 지시를 하면, 입력된 데이터가 통신제어수단(39)에 의하여 통신회선을 통하여 각 데이터 수집장치(7)로 송신된다.
각 데이터 수집장치(7)에서는, 감시용 PC(11)로부터 송신된 샘플링 조건에 의거하여 샘플링 조건 설정수단(19)이 각 진동센서(5)별로 샘플링 시간, 샘플링 주파수, 동시 샘플링 대상 등의 샘플링 조건을 샘플링 처리회로(17)에 지시한다. 이에 따라 데이터 수집장치(7)에서는, 설정된 샘플링 시간, 샘플링 주파수, 동시 샘플링 유무 등의 설정된 조건에 의거한 데이터가 기억수단(21)에 기억된다. 즉 각 진동센서(5)가 설치되어 있는 각 설비기기에 알맞은 데이터의 샘플링이 가능한 상태가 된다.
실제의 진단을 할 때에는, 오퍼레이터가 입력수단(51)으로부터 해석프로그램 선택수단(43)을 통하여 해석프로그램을 선택한다. 해석프로그램이 선택되면, 진단처리수단(45)이 선택되어 있는 프로그램을 기동시키고, 각 프로그램이 실행되어 진단이 이루어진다. 이 때에 데이터 수집장치(7)로부터 송신되는 데이터는 통신제어수단(39)을 통하여 기억수단(47)에 기억되고, 이 기억수단(47)에 기억된 데이터가 해석에 사용된다.
이와 같이 본 실시예에 있어서는, 해석프로그램에 의하여 해석을 하는 전단계로서 감시용 PC(11)로부터 각 진동센서(5)별로 그것이 설치되어 있는 설비기기별로 알맞은 샘플링 조건을 설정하도록 하였기 때문에, 어떤 해석프로그램을 사용하는 경우이더라도 알맞은 데이터에 의거한 해석이 가능하게 되어 신뢰성이 높은 설비진단이 실현된다.
더 구체적으로는, 상기한 예에 나타나 있는 바와 같이 모터측의 데이터와 감속기측의 데이터가 각각의 특성에 따라 적절하게 샘플링 되어 있기 때문에, 모터와 감속기로 이루어지는 설비 전체를 정확하게 진단할 수 있다. 예를 들면 저회전(低回轉)의 기기에 있어서 종래와 같이 적절한 데이터 수집을 할 수 없으면, 모터측만의 진단밖에 하지 못하여 반드시 옳은 진단결과를 얻을 수는 없다. 모터측과 감속기측을 동시에 검증하여야만 옳은 진단이 실현되는 것이지만, 본 실시예에 의하면 이것을 실현할 수 있다.
다음에 감시용 PC(11)에 인스톨되어 있는 각 해석프로그램에 대하여 설명한다.
<통합 파라미터 해석프로그램(統合 parameter 解析 program)>
통합 파라미터 해석이란, 회전기계의 이상진단에 사용되는 해석방법으로서, 기계의 운전상태에 있어서의 진동파형을 채취하고, 진동파형에 의거하여 진동을 특징짓는 복수의 진동 파라미터를 산출하고, 복수의 진동 파라미터로부터 주성분 분석법(主成分 分析法)에 의하여 주성분을 추출하고, 주성분에 의거하여 1개의 상태평가지수(狀態評價指數)(통합 파라미터)를 산출하고, 산출된 상태평가지수에 의거하여 기계의 양부판정(良否判定)을 하는 해석방법이다.
본 실시예에 있어서는, 통합 파라미터 해석프로그램(27)을 감시용 PC(11)에 탑재함으로써 통합 파라미터 해석을 온라인에서 실행할 수 있게 되었다. 이에 따라 초기 데이터 해석, 이후의 측정데이터의 통합 파라미터 해석이 자동으로 연산되어 판정결과를 즉시 표시할 수 있다.
그리고 사용되는 데이터가 각 설비기기별로 적절한 샘플링 시간에 의하여 또한 적절한 샘플링 주파수에 의하여 샘플링된 데이터이기 때문에, 통합 파라미터 해석을 효과적으로 할 수 있어 정확한 진단이 가능하게 된다.
구체적인 처리순서는 아래와 같다.
(i)초기 데이터를 해석하기 위하여 진단대상 기기에 있어서 초기상태(정상상태)의 파형 데이터 수집을 설정된 횟수 한다. 이 조작은 자동으로 할 수 있다.
(ⅱ)초기 파형 데이터의 수집을 완료한 후에 통합 파라미터를 산출하기 위한 연산을 실행하여 연산식을 확정한다.
(ⅲ)초기 데이터 해석을 완료한 이후에 미리 설정된 시간주기에 의하여 정기적으로 진동파형 데이터를 수집한다.
(ⅳ)수집한 데이터를 자동해석한다.
(v)자동해석된 결과에 의거하여 판정처리를 하여 이상값(異常値)이라고 진단된 경우에는 경보(警報)를 출력한다.
(ⅵ)해석결과에 관해서는 경향관리 데이터(傾向管理 data)로서 저장한다.
(ⅶ)상기의 (i)∼(ⅵ)의 처리를 반복한다.
이하에서는 통합 파라미터 해석프로그램(27)을 사용하여 온라인 진단을 실시한 예를 나타낸다.
[설비사양]
진단대상 설비 : 유인통풍기용(誘引通風機用) 전동기
회전수 : 985rpm, 모터 용량 : 1900kW, 베어링 : 미끄럼 베어링
윤활방식 : 오일배스(oil bath)
[진단 실시예]
도4는 통합 파라미터 해석프로그램(27)에 의하여 상기 진단대상을 온라인 감시하였을 때의 그래프를 나타내는 것으로서, 세로축이 통합 파라미터를 나타내고 있고, 가로축이 시간을 나타내고 있다.
도4에 나타나 있는 바와 같이 상기 설비를 온라인에서 감시하는 중에 통합 파라미터 값이 상승하기 시작하여 경보가 발생하였다.
진동파형을 상세히 분석한 결과, 변화되고 있는 중심의 파라미터는 ACC-fr(가속도의 회전주기), ACC-IP(가속도·충격지수), ACC-β2(가속도·첨도(kurtosis)) 등이고, 이들의 진동 성분을 주성분 분석에 의하여 통합한 값(통합 파라미터 값)에 의하여 이상을 감지한 사례이다.
이상값이 되었기 때문에 미끄럼 베어링을 해체하여 점검을 실시한 바, 미끄럼 베어링부의 오일링에 이상이 인지되었다. 불량부를 수정한 후에는 통합 파라미터 값이 저하되어 양호판정이 되었다.
이에 따라 오일링의 불량에 의하여 1회전 주기의 충격진동이 발생하였던 것이 밝혀졌다.
도5는 종래 방법에 의한 ACC-P(가속도 피크값)의 시간경과를 나타내는 도면이고, 도6은 VEL-P(속도 피크값)의 시간경과를 나타내는 도면이다.
도5, 도6에 나타나 있는 바와 같이 ACC-P(가속도 피크값)나 VEL-P(속도 피크값)에는 거의 변화가 인지되지 않았고, 정상영역이기 때문에 이러한 방법에서는 이상을 빠른 시기에 감지할 수 없었다.
이와 같이 본 실시예의 통합 파라미터 해석프로그램(27)에 의하면, 온라인에서 정확한 진단을 할 수 있다는 것을 실증할 수 있었다.
<쿨백 정보량 해석프로그램(Kullback 情報量 解析 program)>
쿨백 정보량 해석이란, 기계의 운전상태에 있어서의 정상상태의 파형을 채취하고, 그 파형의 진폭확률 밀도함수(振幅確率 密度函數)를 산출하고, 또한 쿨백 정보량으로서 수치화한 값을 사용하여 기계의 양부판정을 하는 해석방법이다.
본 실시예에 있어서는, 쿨백 정보량 해석프로그램(29)을 감시용 PC(11)에 탑재함으로써 쿨백 정보량 해석을 온라인에서 실행할 수 있게 되었다. 이에 따라 초기 데이터 해석, 이후의 측정데이터의 쿨백 정보량 해석이 자동연산되어 판정결과를 즉시 표시할 수 있다.
그리고 사용되는 데이터가 각 설비기기별로 적절한 샘플링 시간에 의하여 또한 적절한 샘플링 주파수에 의하여 샘플링된 데이터이기 때문에, 쿨백 정보량 해석을 효과적으로 할 수 있어 정확한 진단이 가능하게 된다.
구체적인 처리순서는 아래와 같다.
(i)진단대상 기기에 있어서의 초기상태(정상상태)의 파형 데이터 수집을 위한 파형 데이터 수집을 자동으로 한다.
(ⅱ)초기 파형 데이터 수집을 완료한 후에 쿨백 정보량의 연산을 실행하여 초기값을 확정한다.
(ⅲ)초기 해석을 완료한 이후에 미리 설정된 시간주기에 의하여 정기적으로 파형 데이터를 수집한다.
(ⅳ)수집 데이터를 자동해석한다.
(v)판정처리를 하여 이상값이라고 진단된 경우에는 경보를 출력한다.
(ⅵ)해석결과에 관해서는 경향관리 데이터로서 저장한다.
(ⅶ)상기의 (i)∼(ⅵ)의 처리를 반복한다.
이하에서는 쿨백 정보량 해석프로그램(29)을 사용하여 온라인 진단을 실시한 예를 나타낸다.
[설비사양]
진단대상 설비 : 플런저형 펌프 흡입밸브
회전수 : 276rpm
샘플링 데이터 : ACC 파형 데이터
[진단 실시예]
도7은 쿨백 정보량 해석프로그램(29)에 의하여 상기 진단대상을 온라인 감시하였을 때의 그래프를 나타내는 것으로서, 세로축이 진폭 쿨백 정보량(진폭확률밀도(ID))을 나타내고 있고, 가로축이 시간을 나타내고 있다.
도7에 나타나 있는 바와 같이 시간이 경과함에 따라 진폭 쿨백 정보량은 상승 경향을 나타내고 있다. 초기 데이터와 비교하여 최종 데이터는 약 96배로 변화되어 있다. 분해점검을 실시한 결과, 흡입밸브의 밸브 및 시트면에 침식마모가 인지되었고, 완전히 리크(leak)되어 있는 상태이었던 것을 확인하였다.
분해점검의 결과와 도7의 결과를 종합하여 고찰하면, 밸브 개폐 시에 일어나는 충격진동 발생의 타이밍의 차이나, 리크에 의한 진폭값이 시간이 경과함에 따라 서서히 증가함으로써 쿨백 정보량이 상승 경향을 나타내었다고 판단된다.
쿨백 정보량 해석프로그램(29)에 의하여 정확한 진단을 할 수 있다는 것이 실증되었다.
[비교예]
비교예로서, 종래 방법에 의한 가속도 피크값의 경향관리 그래프를 도8에 나타내었다.
도8에서 알 수 있는 바와 같이 피크값은 초기 데이터 이후 피크값의 상승 경향은 인지되지 않았고, 반대로 저하되는 경향이 있다.
이와 같이 종래 방법에서는, 실제에 있어서 설비의 파손상황을 정확하게 진단할 수 없다.
<실가동 해석프로그램(實可動 解析 program)>
실가동 해석이란, 기계의 운전상태에 있어서의 복수 측정점의 진동파형을 동시에 채취하고, 이들 파형을 사용하여 기계에 있어서 실제 진동의 움직임을 애니메이션 표시(animation 表示)에 의하여 가시화(可視化)하는 해석방법이다. 지금 현재 발생하고 있는 진동의 모양을 모니터 등의 화면으로 애니메이션 표시하기 때문에 정상상태와 이상상태의 차이를 용이하게 판단할 수 있다.
본 실시예에 있어서는, 실가동 해석프로그램(31)을 감시용 PC(11)에 탑재함으로써 실가동 해석을 온라인에서 실행할 수 있게 되었다. 이에 따라 지금까지 곤란하였던 실가동 해석이 매우 짧은 시간에 실행될 수 있게 되었다.
또한 실가동 해석은 복수 측정점의 진동파형을 동시에 채취할 필요가 있지만, 본 실시예의 데이터 수집장치(7)는 동시 샘플링 설정수단을 구비하고 있어, 데이터 수집장치(7)에 입력되는 진동센서(5)로부터의 데이터 중에서 실가동 해석에 사용되는 진동센서(5)에 대해서는 동시 샘플링을 하도록 설정한다. 이에 따라 용이하게 데이터의 동시 샘플링을 실행할 수 있어 적절한 실가동 해석을 할 수 있다.
또한 사용되는 데이터가 각 설비기기별로 적절한 샘플링 시간에 의하여 또한 적절한 샘플링 주파수에 의하여 샘플링된 데이터이기 때문에, 실가동 해석을 효과적으로 할 수 있어 정확한 진단이 가능하게 된다.
또한 필요에 따라 밴드패스 필터(band-pass filter) 등으로 신호처리를 함으로써 특정 주파수에 있어서 시간의 경과에 따른 변화를 관측할 수 있다.
구체적인 처리순서는 아래와 같다.
(i)실가동 해석의 대상이 되는 설비의 진동파형을 수집한다.
(ⅱ)수집된 파형에 대하여 필요에 따라 필터처리를 한다.
(ⅲ)실가동 해석을 실행한다.
(ⅳ)해석결과를 애니메이션 표시한다.
이하는 실가동 해석프로그램(31)의 실시예로서, 외팔보 상에 진동센서(5)를 8개 설치하고, 본 장치에서 진동파형 데이터를 수집하고, 실가동 해석을 실행하여 애니메이션 표시를 하였다. 모니터에 나타나 있는 애니메이션의 예를 도9에 나타내었다. 도9에서는, 진동의 모양이 도9(a)∼도9(f)에 나타나 있다.
<코히런스 해석프로그램(coherence 解析 program)>
코히런스 해석이란, 서로 다른 측정부위에 있어서 2개의 진동파형을 동시에 채취하고, 양방의 진동 데이터에 관련성이 인지되는가를 평가하기 위한 코히런스 함수(관련도 함수(關連度 函數))를 사용한 해석방법이다.
코히런스 함수란, 서로 다른 측정부위에 있어서 2개의 진동파형 데이터 사이의 관련도 합을 나타내는 것으로서, 완전히 관련이 없는 경우에는 0, 완전히 관련되어 있는 경우에는 1의 값을 부여하여 주파수별로 그 관련성을 나타내는 것이다.
코히런스의 계산은 2개의 파형 데이터 사이의 크로스 스펙트럼(cross spectrum)과 각각의 파형 데이터의 파워 스펙트럼(power spectrum)에 의하여 계산된다. 코히런스와 크로스 스펙트럼의 관계는 상관계수(相關係數)와 공분산(共分散)의 관계와 같은 것으로서, 크로스 스펙트럼의 크기를 파워 스펙트럼으로 나누어서 정규화(正規化)한 것이 코히런스이다.
본 실시예에 있어서는, 코히런스 해석프로그램(33)을 감시용 PC(11)에 탑재함으로써 코히런스 해석을 온라인에서 실행할 수 있게 되었다.
또한 코히런스 해석은 복수 측정점의 진동파형을 동시에 채취할 필요가 있지만, 본 실시예의 데이터 수집장치(7)는 동시 샘플링 설정수단을 구비하고 있어, 데이터 수집장치(7)에 입력되는 진동센서(5)로부터의 데이터 중에서 코히런스 해석에 사용되는 진동센서(5)에 대해서는 동시 샘플링을 하도록 설정한다. 이에 따라 용이하게 필요한 데이터의 동시 샘플링을 실행할 수 있어 적절한 코히런스 해석을 할 수 있다.
구체적인 처리순서는 이하와 같다.
(i)코히런스 해석의 대상이 되는 설비기기의 진동파형 데이터를 수집한다.
(ⅱ)수집한 진동파형 데이터에 의거하여 코히런스 함수해석을 실행한다.
(ⅲ)해석결과를 표시한다.
이하는 코히런스 해석프로그램(33)의 실시예로서, 모터 베어링부와 팬 베어링부에 진동센서(5)를 설치하고, 본 장치에서 진동파형 데이터를 수집하여 코히런스 함수의 해석을 실행하였다. 그 결과를 도10에 나타내었다.
모터 베어링부와 팬 베어링부의 양방에 나타나 있는 45Hz의 진동은 코히런스 함수를 해석한 결과, 관련도가 1.0을 나타내고 있기 때문에 관련성이 있다. 따라서 팬의 언밸런스 진동(unbalance 振動)이 모터측으로 전파되고 있다고 진단된 예이다.
이와 같이 코히런스 해석프로그램(33)에 의하여 정확한 진단을 할 수 있다는 것이 실증되었다.
<자동 수명예측 프로그램(自動 壽命豫測 program)>
자동 수명예측이란, 상시감시(常時監視)에 의하여 축적된 진동 파라미터의 시계열 데이터(時系列 data)를 사용하여 장래의 수명 도달일을 예측할 때에, 통계적 방법을 사용하여 수명예측을 자동연산함으로써 장치의 수명예측을 하는 것을 말한다.
종래의 수명예측 방법은, 진동 파라미터의 시계열 데이터를 보고 최적이라고 생각되는 직선이나 곡선 등의 수식을 사람의 판단에 의하여 적용시키고, 그 선의 연장선과 한계값(限界値)의 교점을 구하여 그 날을 수명 도달일로 하는 방법이 일반적으로 이루어지고 있고, 그러한 처리를 하는 소프트웨어가 제품화 되어 있다.
그러나 이러한 일반적인 방법으로 수명예측을 하는 경우에, 어떤 곡선을 사용하면 좋을지를 데이터를 보면서 자체적으로 판단할 필요가 있다. 그러나 이것은 사람에 의한 판단이기 때문에 신뢰성이 낮다는 문제가 있다.
또한 기계에 따라서는 부하변동이나 환경변화 등의 영향에 의하여 진동값에 큰 편차가 발생하는 경우도 있어, 단순한 곡선에서는 적용시키기 어렵다는 문제도 있다.
여기에서 본 실시예에 있어서 사용한 수명예측은, 상기와 같은 문제를 해결하는 것으로서 이하와 같은 순서로 이루어진다.
복수의 모델식을 사용하여 초회예측연산을 하고[초회연산공정(初回演算工程)], 복수의 모델식별로 자유도 조정완료 결정계수(自由度 調整完了 決定係數)를 산출한다[결정계수 산출공정(決定係數 算出工程)]. 그리고 복수의 모델식 중에서 자유도 조정완료 결정계수가 최대가 된 모델식을 당해 진동 파라미터에 있어서의 수명예측 모델식으로서 결정한다[모델식 결정공정(model式 決定工程)]. 선택된 모델식을 사용하여 각 진동 파라미터별로 예측연산을 하여 주의값 도달일(注意値 到達日), 한계값 도달일(限界値 到達日)을 산출한다[수명예측 연산공정(壽命豫測 演算工程)]. 또한 진동 파라미터별로 구간추정 계산을 하여 최단한계 도달일(최단수명), 최장한계 도달일(최장수명)을 산출한다[예측값의 구간추정공정(區間推定工程)].
그리고 수명예측연산의 결과, 한계 도달일이 최단이 된 데이터의 그래프와 한계 도달일을 표시한다[표시공정(表示工程)].
이하, 각 공정을 상세하게 설명한다.
[초회예측 연산공정(初回豫測 演算工程)]
복수의 모델식을 사용하여 초회의 예측연산을 실시한다.
1차회귀 : y = ax + b
2차회귀 : y = ax2 + bx + c
3차회귀 : y = ax3 + bx2 + cx + d
지수회귀(指數回歸) : y = axb
대수회귀(對數回歸) : y = aloge(bx)
ARIMA 모델 :
[식4]
Figure pat00004
단, ｐ : 자기회귀의 차수(次數)
φi : 자기회귀 계수
ｑ : 이동평균의 차수
θi : 이동평균 계수
[결정계수 산출공정(決定係數 算出工程)]
상기 모델식별로 하기 식에 나타나 있는 자유도 조정완료 결정계수(R2')를 산출한다.
또 R2'는 예측 모델의 최적차수(最適次數)를 결정하는 평가기준이고, AIC(아카이케의 정보량 기준(Akaike's 情報量 基準))과 등가(等價)의 결과가 얻어진다.
[식5]
Figure pat00005
n : 표본수
[모델식 결정공정(model式 決定工程)]
결정계수 산출공정에서 산출된 R2' 값(최대는 1.0)이 최대가 된 모델식을 그 진동 파라미터에 있어서의 예측 모델식으로 한다.
예를 들면 진동센서(5)에 있어서 01부위와 02부위의 2군데에 설치되어 있고, 각 부위에 있어서 3개의 레인지(「VER-RMS」, 「ACC-P」, 「ACC-RMS」)를 바꾸어서 데이터를 수집하고 있는 경우이면 아래와 같이 된다.
01부위 VEL-R …… 1차회귀
01부위 ACC-P …… 지수회귀
01부위 ACC-R …… ARIMA 모델
02부위 VEL-R …… 2차회귀
02부위 ACC-P …… 3차회귀
02부위 ACC-R …… ARIMA 모델
[수명예측 연산공정(壽命豫測 演算工程)]
결정된 모델식을 사용하여 각 진동 파라미터별로 예측연산을 하여 주의값 도달일, 한계값 도달일을 산출한다.
[예측값의 구간추정공정(區間推定工程)]
진동 파라미터별로 구간추정 계산을 하여 최단한계 도달일(최단수명), 최장한계 도달일(최장수명)을 산출한다.
[표시공정(表示工程)]
수명예측을 연산한 결과, 한계 도달일이 최단이 된 데이터의 그래프와 한계 도달일을 표시한다. 표시항목으로서는 예를 들면 이하의 것을 표시한다.
·측정데이터
·예정에 사용된 모델식과 각 계수값
·이론값 선
·이론값의 하한값과 상한값 선
·자유도 수정완료 결정계수
또 상기한 모델식에 있어서 ARIMA 모델을 사용하고 있으므로 이 ARIMA 모델에 대하여 개략적으로 설명함과 아울러, ARIMA 모델을 본 실시예에 있어서 설비기기의 수명예측에 적용할 수 있도록 연구를 하고 있으므로 이 점에 대하여 설명한다.
<ARIMA 모델의 개략적인 설명>
진동값의 편차가 큰 경우에, 그 편차를 고려한 예측방법으로서 ARIMA 모델이 있다.
ARIMA 모델이란, 시계열 분석에 있어서의 예측방법 중 하나로서, Auto Regressⅳe Integrated Moⅵng Average : 자기회귀 합산이동 평균모델의 두문자(頭文字)를 사용한 것이다. ARIMA 모델을 간단하게 설명하면, 현재까지의 측정데이터의 경향(트렌드 성분이나 주기변동 성분, 불규칙 변동 성분)을 분석하여 자체의 회귀식을 작성하고, 그 회귀식을 사용하여 장래의 값을 예측하는 것을 말하는 것이다. 이 예측법은, 경향이 일정하지 않은 진동값의 예측에는 알맞다는 특징을 가지고 있다. 즉 측정데이터에 격차가 있는 설비 등의 예측에는 매우 유효한 방법이라고 생각된다.
그러나 ARIMA 모델을 적용하는 경우의 조건으로서, 시계열 데이터가 동일한 간격일 필요가 있다. 기계설비의 경향관리 데이터에서는 설비가 정지하고 있는 동안에는 측정데이터가 존재하지 않는다. 예를 들면 도11과 같이 5월의 데이터가 존재하지 않는 케이스가 있다. 이러한 케이스에서는 등간격 데이터(等間隔 data)가 아니기 때문에 ARIMA 모델에 의한 예측이 불가능하게 된다.
<ARIMA 모델의 개선점>
이 문제를 해결하는 개선책으로서, 도12와 같이 내부적으로 가상 데이터(假想 data)를 부여하여 등간격 데이터로 간주함으로써 ARIMA 모델의 예측을 하도록 하였다.
구체적으로는 전체 데이터 중에서 우선 최단으로 되어 있는 주기를 구하고, 그 주기 내에 데이터가 존재하고 있는가 아닌가를 확인한다. 혹시 그 기간 내에 데이터가 존재하지 않는 경우에는 그 전후의 데이터를 직선으로 연결하고, 중간값을 그 구간의 가상 데이터로 부여하여 등간격 데이터로 한다. 그 후에 ARIMA 모델에 의한 예측을 한다.
자동 수명예측 프로그램(35)에 의하여 시계열 데이터의 자동 수명예측을 실행한 바, 3차회귀가 선택되어 자동 표시된 예를 도13에 나타내었다.
수동조작으로 각 모델식의 결정계수를 확인한 바, 3차회귀(결정계수 = 0.84에서 최대)가 선택되어 있는 것을 확인할 수 있었다.
ARIMA 모델에 관해서는 데이터의 간격이 균등하지 않기 때문에 사용 불능이었다.
동일한 데이터에 대하여 상기한 바와 같은 데이터의 등간격 처리를 하여 ARIMA 모델을 적용하였을 경우의 수명예측 그래프를 도14에 나타내었다.
<판정기준 자동설정 프로그램(判定基準 自動設定 program)>
판정기준 자동설정이란, 진단대상이 되는 기계의 정상상태에 있어서의 진동 데이터를 채취하고, 그 정상 데이터를 사용하여 적절한 상대판정 기준값을 자동으로 설정하는 기능을 말한다.
이하에서는 판정기준값의 설정이 가지는 의미와 종래의 과제에 대하여 설명한다.
진동법에 의하여 기계설비의 열화(劣化)를 관리하는 경우에, 그 기계설비가 어느 정도의 진동값까지 안전하게 사용될 수 있는 것인지가 큰 포인트가 된다. 또 고장을 발생시키지 않기 위해서는 진동값이 한계값에 도달하기 전에, 어느 정도의 여유를 가지고 수리를 수배할 것 등을 계획할 수 있어야만 한다. 따라서 진동값의 최대 허용값에는, 진정한 의미에서의 사용 가능 최대값과, 그것보다 약간 작은 값의 2종류를 설정한다. 전자(前者)를 한계값, 후자(後者)를 주의값이라고 부른다.
한계값은, 그 값을 초과하면 진동이 증대된 직접적인 원인인 기계요소뿐만 아니라 피해가 그에 부수되는 부위까지 미치는 소위 2차 피해를 가져올 위험성이 있는 값이다. 기계설비는 한계값까지 사용할 수 있지만, 한계값을 넘으면 즉시 정지시켜야만 한다.
주의값은, 한계값에 비하면 여유가 있는 값이다. 주의값에 도달한 상태에서는 기계설비는 정상상태로부터 열화상태에 도달하지만, 일정기간은 계속하여 운전할 수 있다. 진동 상승의 원인을 특정하여 개선계획을 결정하기 위한 조사를 한다. 설비수명의 측면으로부터는, 이 시점에서의 수리는 소위 과잉 유지 보수로서 경제적이지 못하다.
이와 같이 주의값, 한계값은 경향관리의 중요한 핵심을 이루는 기본적인 수치로서, 정밀도가 우수한 주의값, 한계값이 경향관리의 메리트를 발생시킨다고 말할 수 있다. 회전기계의 진동은, 회전수, 기초강성(基礎剛性), 부하의 대소, 회전자 및 축지름의 대소 등에 의하여 진동값이 크게 변화된다. 이들 설비조건 중에서 설비에 있던 기준을 설정할 필요가 있다.
그리고 기준설정의 방법으로는 절대값 판정기준, 상대 판정기준, 상호 판정기준이 있다.
종래에 있어서 기준값을 설정하는 경우에 어느 판정법을 사용하는지, 기준값의 설정치를 얼마로 하는지를 설비별 특성을 고려한 후에 개별적으로 검토하고, 사람의 판단에 의하여 설정하고 있다. 이와 같이 판정기준값을 미리 사람이 판단하여 시스템에 입력설정함으로써 온라인 감시하는 방법이 일반적으로 이루어진다.
대상의 기계설비는 다종다양하여 각각의 기계에 알맞은 판정기준을 설정하는 것이 중요하다. 일반적으로는 전동기나 펌프 등의 범용기계는 ISO 기준 등이 적용될 수 있다. 이 기준은, 설비의 개성에 의한 영향을 적게 하기 위하여 설비용량, 기초강성(강함·약함), 측정 시의 회전수 등 조건별로 설정되어 있다. 판정기준으로서는 ISO·JIS·IEC·API 등의 규격이 알려져 있다. 절대값 판정기준은 표준적인 회전장치를 대상으로 하고 있기 때문에, 모두에 적용할 수 있는 것은 아니지만 국제적으로 알려진 기준이다.
그러나 왕복이동 회전기계나 압연기계(壓延機械), 프레스 기계(press 機械) 등에서는 설비 고유의 진동을 발생시키기 때문에 ISO 기준을 그대로 적용할 수 없다. 이러한 기계설비에서는 상대 판정법을 채용하는 것이 바람직하다. 상대 판정법을 채용하는 경우에 정상상태의 값을 각각 파악할 필요가 있고, 그 때문에 초기상태의 값을 채취하고, 초기상태의 값을 기초로 하여 주의값과 한계값을 설정하는 작업이 필요하게 된다.
종래에 있어서 이 작업을 각 설비기기별로 오프라인(off-line)에서 개별적으로 하고 있었기 때문에, 작업에 많은 시간과 수고를 필요로 하였다. 또한 각 설비기기는 고속회전, 저속회전 등 여러 가지의 것이 있어, 적절한 데이터 수집이 되어 있지 않은 것이 현재의 상태이다.
본 실시예에 있어서는, 이 점에 있어서 각 설비기기별로 적절한 데이터 수집을 할 수 있는 데이터 수집장치(7)를 구비하고, 또 온라인에서 항상 데이터 수집을 할 수 있도록 되어 있기 때문에, 상대판정 기준값의 설정이 각 설비기기별로 매우 용이하게 또한 적절하게 이루어질 수 있다.
이하에서는, 판정기준값 자동설정 프로그램에 의한 판정기준값 자동설정의 순서를 구체적으로 설명한다.
(i)진단대상이 되는 기기의 정상상태에 있어서의 진동 파라미터를 미리 설정된 일정한 기간 동안 수집한다.
(ⅱ)수집이 완료된 시점에서 수집된 데이터를 사용하여 평균값을 산출한다.
(ⅲ)평균값의 n배, m배를 계산하여 각각 주의값, 한계값으로 자동설정한다. 이에 따라 상대판정 기준값이 결정된다. 또 n, m의 구체적인 값은 대상이 되는 기기별로 미리 설정하여 둔다.
(ⅳ)설정된 기준값을 적용하여 이후의 판정처리가 이루어진다.
이와 같이 본 실시예에 있어서는, 각 설비기기별로 적절한 데이터 수집을 할 수 있는 데이터 수집장치(7)를 구비하고, 또한 온라인에서 항상 데이터 수집을 할 수 있도록 하고, 이러한 환경에 있어서 판정기준값 자동설정프로그램을 감시용 PC(11)에 탑재하였기 때문에, 상대판정 기준값의 설정이 각 설비기기별로 매우 용이하게 또한 적절하게 이루어질 수 있다.
판정기준 자동설정 프로그램(37)을 사용한 실시예를 이하에서 설명한다. 대상이 되는 펌프를 분해하여 정비한 후에 운전 시작으로부터 설정시간까지 초기 데이터를 수집하였다. 설정시간이 경과한 후에 초기 데이터를 사용하여 평균값(8.8m/s2)을 산출하고, 또한 평균값의 2배(17.6m/s2)를 주의값, 6배(52.8m/s2)를 한계값으로 산출하였다.
이후에 자동설정 기준에 의하여 상태를 감시하였다. 감시의 상태를 도15의 그래프에 나타내었다.
도15에 나타나 있는 바와 같이 Z년 9월에는 한계값을 넘었기 때문에, 펌프 운전을 정지시키고 분해점검을 실시하였다.
분해점검의 결과, 굴림 베어링의 전동체(轉動體)에 플레이킹(flaking)이 발생하고 있어 더 이상의 운전은 위험하였다는 것이 밝혀졌다.
따라서 초기값을 기초로 하여 자동설정된 상대판정 기준값은 적합하였다고 판단할 수 있었다.
[실시예2]
본 발명의 실시예2을 도16∼도18에 의거하여 설명한다.
본 실시예에 있어서 설비기기의 진단장치(61)는, 도17에 나타나 있는 바와 같이 진단대상인 예를 들면 플런저 펌프(63)에 설치된 진동센서(5)로부터의 진동신호를 입력하여 진동 데이터를 수집하는 데이터 수집장치(7)와, 복수의 데이터 수집장치(7)를 LAN에 접속시키는 허브(9)와, LAN에 접속되어 데이터 수집장치(7)에 샘플링 시간이나 샘플링 주파수를 지시하고 또한 데이터 수집장치(7)로부터 송신되는 데이터에 의거하여 설비기기의 이상진단을 하는 감시용 PC(65)(퍼스널 컴퓨터)를 구비하고 있다.
각 구성에 대하여 상세하게 설명한다.
도16, 도17에 나타나 있는 구성 중에서 진동센서(5), 데이터 수집장치(7) 및 허브(9)의 구성은 실시예1과 동일하기 때문에 그에 대한 설명을 생략하고, 이하에서는 주로 감시용 PC(65)의 구성에 대하여 설명한다.
<감시용 PC>
감시용 PC(65)는, 통신회선을 통하여 접속된 데이터 수집장치(7)와의 통신을 하기 위한 통신제어수단(67)과, 샘플링하는 데이터의 샘플링 시간이나 샘플링 주파수를 입력하는 샘플링 조건 입력수단(69), 데이터 수집장치(7)로부터 송신되는 데이터를 사용하여 이상진단처리를 하는 진단처리수단(診斷處理手段)(71)과, 데이터 수집장치(7)로부터 송신되는 데이터나 진단결과를 기억하는 기억수단(73)과, 오퍼레이터가 정보를 입력하는 키보드 등으로 이루어지는 입력수단(75)과, 모니터 등으로 이루어지는 표시수단(77)을 구비하고 있다.
샘플링 조건 입력수단(69)은, 예를 들면 각 데이터 수집장치(7)의 각 진동센서(5)별로 샘플링 시간, 샘플링 주파수, 동시 샘플링 대상, 필터절환을 입력할 수 있는 입력 프레임을 모니터에 표시하고, 오퍼레이터가 입력수단(75)으로 입력할 수 있도록 구성된다.
진단처리수단(71)은, 데이터 수집장치에 의하여 샘플링된 데이터에 의거하여 진단대상 기기의 가동상태에 있어서의 파형을 채취하는 파형채취수단(波形採取手段)(71a)과, 파형채취수단(71a)에 의하여 채취된 파형의 확률밀도함수를 산출하는 확률밀도함수 산출수단(確率密度函數 算出手段)(7lb)과, 확률밀도함수 산출수단(7lb)에 의하여 산출된 진단대상 기기의 정상 시와 진단 시의 확률밀도함수로부터 하기 식으로 정의되는 대칭형 쿨백 정보량을 산출하는 대칭형 쿨백 정보량 산출수단(對稱形 Kullback 情報量 算出手段)(71c)과, 산출된 대칭형 쿨백 정보량을 미리 정한 임계값과 비교하여 상기 진단대상 기기가 이상인가 아닌가를 판정하는 판정수단(71d)을 구비하고 있다.
또 진단처리수단(71)은 해석프로그램 등의 프로그램이 CPU에 의하여 실행됨으로써 실현된다.
상기한 바와 같이 구성된 본 실시예에 의하여 설비기기의 온라인 감시를 하는 방법에 대하여 설명한다.
우선 진단대상이 되는 기기에 알맞은 샘플링 시간이나 샘플링 주파수를 설정할 필요가 있다. 여기에서 오퍼레이터는 샘플링 조건 입력화면을 표시수단(77)에 표시시키고, 입력수단(75)에 의하여 화면에 표시된 각 데이터 수집장치(7)의 각 진동센서(5)별 샘플링 시간, 샘플링 주파수 및 동시 샘플링 대상 센서 등을 입력한다.
도17에 나타나 있는 예와는 다르지만 예를 들면 모터의 베어링 상자와, 이 모터에 접속되어 있는 감속기 출력축의 베어링 상자에 진동센서(5)가 설치되어 있는 경우이면, 모터에 있어서 베어링 상자의 진동센서(5)에 관해서는 샘플링 시간을 짧게 설정하고, 샘플링 주파수를 높게 설정하고, 감속기측의 진동센서(5)에 관해서는 샘플링 시간을 길게 설정하고, 샘플링 주파수를 낮게 설정한다.
오퍼레이터가 필요한 정보를 입력하여 송신 지시를 하면, 입력된 데이터가 통신제어수단(67)에 의하여 통신회선을 통하여 각 데이터 수집장치(7)로 송신된다.
각 데이터 수집장치(7)에서는, 감시용 PC(65)로부터 송신된 샘플링 조건에 의거하여 샘플링 조건 설정수단(19)이 각 진동센서(5)별 샘플링 시간, 샘플링 주파수, 동시 샘플링 대상 등의 샘플링 조건을 샘플링 처리회로(17)에 지시한다. 이에 따라 데이터 수집장치(7)에서는, 설정된 샘플링 시간, 샘플링 주파수, 동시 샘플링의 유무 등 설정된 조건에 의거한 데이터가 기억수단(21)에 기억된다. 즉 각 진동센서(5)가 설치되어 있는 각 설비기기에 알맞은 데이터의 샘플링이 가능한 상태가 된다.
이상이 초기설정이다.
상기한 바와 같이 샘플링 조건의 설정이 완료되면, 진단대상이 되는 설비기기의 정상상태에 있어서의 진동파형 데이터가 파형채취수단(71a)에 의하여 채취된다. 구체적으로는 오퍼레이터가 입력수단(75)으로부터 진단 시작을 지시하면, 해석프로그램이 실행되어 진단처리수단(71)이 기동된다. 이 때에 데이터 수집장치(7)로부터 송신되는 진동파형 데이터는 통신제어수단(67)을 통하여 기억수단(73)에 기억되고, 이 기억수단(73)에 기억된 진동파형 데이터가 진단처리에 사용된다.
진동파형 데이터는, 자체 파형의 rms 값에 의하여 정규화 하여 무차원화(無次元化) 하는 것이 바람직하다. 부하조건에 의하여 진동레벨 전체가 크게 달라지기 때문에, rms 값에 의하여 정규화 함으로써 항상 동일한 척도로 파형의 형상을 포착할 수 있기 때문이다.
상기한 진동파형 데이터로부터 확률밀도함수 산출수단(7lb)이 확률밀도함수를 산출하여, 그 분포그래프를 기억수단(73)에 기억시킨다.
여기까지의 처리가 실제의 진단 전에 이루어지는 전처리에 상당하고, 이하의 처리가 실제의 진단처리에 상당한다.
설비기기의 통상 가동상태에 있어서 파형채취수단(71a)이 진동파형 데이터를 채취하고, 채취된 진동파형 데이터로부터 확률밀도함수 산출수단(7lb)이 확률밀도함수를 산출하여, 그 분포그래프를 기억수단(73)에 기억시킨다. 여기에서 채취된 파형도 전처리의 경우와 마찬가지로 정상상태에 있어서의 진동파형의 rms 값에 의하여 정규화 한다.
전처리에서 산출된 분포그래프와 진단 시에 있어서의 분포그래프의 양자로부터 대칭형 쿨백 정보량 산출수단(71c)이 하기 식(2)로 정의되는 대칭형 쿨백 정보량을 산출한다.
[식6]
Figure pat00006
Pr(t) : 정상상태에 있어서의 파형의 확률밀도함수
Pt(t) : 초기 해석 완료 후의 운전상태에 있어서의 진동파형의 확률밀도함수
판정수단(71d)이 ID 값을 미리 정한 임계값과 비교하여 판정처리를 한다. 이 때에 이상값이라고 진단된 경우에는 경보를 출력한다. 해석결과에 관해서는 경향관리 데이터로서 저장한다.
이상에서 설명한 전처리로부터 진단까지의 흐름을 정리하면 아래와 같다.
(i)정상상태에 있어서의 진동파형 데이터를 채취한다.
이 때에 자체 파형의 rms 값에 의하여 정규화 하여 무차원화 한다.
(ⅱ)상기의 진동파형 데이터로부터 확률밀도함수를 계산하고, 그 분포그래프를 기억한다.
(ⅲ)진단대상이 되는 운전상태에 있어서의 진동파형 데이터를 채취한다.
(ⅳ)상기의 진동파형 데이터로부터 확률밀도함수를 계산하고, 그 분포그래프를 기억한다.
여기에서 채취된 파형도 (i)과 같이 (i)의 진동파형의 rms 값에 의하여 정규화 한다.
(v)상기 (ⅱ)의 분포그래프와 (iV)의 분포그래프의 양자로부터 대칭형 쿨백 정보량을 산출한다.
(ⅵ)ID 값을 미리 정한 임계값과 비교하여 판정처리를 한다.
(ⅶ)순서(ⅲ)∼(ⅵ)를 반복하여 경향관리를 한다.
이상과 같이 본 실시예에 있어서는, 진단처리수단(71)에 의하여 해석을 하는 전단계로서 감시용 PC(65)로부터 센서(5)가 설치되어 있는 설비기기별로 알맞은 샘플링 조건을 설정하도록 하였기 때문에, 진단대상이나 해석에 사용되는 진단처리수단(71)에 알맞은 데이터의 샘플링을 할 수 있고, 이 때문에 신뢰성이 높은 설비진단이 실현된다.
또한 본 실시예에서는 대칭형 쿨백 정보량을 사용하였기 때문에, 정상운전 시에는 진동파형이 나오기 어려운 설비기기 예를 들면 플런저형 펌프에 있어서 흡입·토출밸브의 이상진단에 대해서도 정확한 진단을 할 수 있다.
또한 상기한 바와 같이 사용하는 데이터가 각 설비기기별로 적절한 샘플링 시간에 의하여 또한 적절한 샘플링 주파수에 의하여 샘플링된 데이터이기 때문에, 대칭형 쿨백 정보량에 의한 해석을 효과적으로 할 수 있어 정확한 진단이 가능하게 된다.
[실시예]
대칭형 쿨백 정보량을 사용하였을 경우와 통상의 쿨백 정보량을 사용하였을 경우의 비교를 하였기 때문에, 이하에서는 이에 대하여 설명한다.
[설비사양]
진단대상 설비 : 플런저형 펌프 흡입밸브
크랭크축 회전수 : 276rpm
샘플링 데이터 : ACC 파형 데이터
[진단 실시예]
도18은 상기 진단대상 설비를 온라인 감시하였을 때의 그래프를 나타내는 것으로서, 세로축이 진폭 쿨백 정보량을 나타내고 있고, 가로축이 시간을 나타내고 있다. 도18의 그래프에 있어서 검은색의 4각형이 대칭형 쿨백 정보량(ID)을 나타내고 있고, 흰색의 4각형이 종래형의 쿨백 정보량(KL)을 나타내고 있다.
도18의 그래프 값을 읽으면 아래와 같이 되어 있다.
(1)정상 시 : KL 값 = 0.003
(2)이상 시 : KL 값 = 0.12(정상 시의 40배로 변화)
(3)정상 시 : ID 값 = 0.003
(4)이상 시 : ID 값 = 0.29(정상 시의 96배로 변화)
상기로부터 KL 값보다 ID 값쪽이 변화율이 커서 즉 ID 값쪽이 감지감도(感知感度)가 높다는 것을 알 수 있다. 따라서 ID 값을 채용함으로써 쿨백 정보량의 결점을 보충할 수 있어 민감하게 이상을 감지할 수 있다는 것을 알았다.
또 도18의 세로축은 진폭 쿨백 정보량을 나타내고 있지만, 세로축을 ID 값 및 KL 값의 정상값(0.003)을 기준값(1.0)으로 하여 정규화 하여 나타냄으로써, 이상값의 표기를 보기 쉽게 할 수 있기 때문에 바람직하다.
[실시예3]
실시예2에서는, 시간파형으로부터 확률밀도함수를 산출하도록 하였다. 그러나 2차원적인 동작을 하는 설비 예를 들면 축의 훨링(whirling) 등과 같이 시간파형에 의해서는 정상상태와 이상상태가 판별되기 어려운 경우가 있다.
여기에서 본 실시예에서는 시간파형을 리사쥬 파형(Lissajous 波形)으로 변환하고, 상기 리사쥬 파형에 의거하여 확률밀도함수를 산출하고, 또한 대칭형 쿨백 정보량을 산출하도록 한 것이다.
도19, 도20은 본 실시예의 설명도로서, XY 방향에 있어서 시간파형을 리사쥬 파형으로 변환하는 것을 도면에 나타내고 있다. 도19가 정상 시의 파형을 나타내고, 도20이 이상 시의 파형을 나타내고 있다.
도19, 도20에 있어서, (a)도가 X 방향의 진동파형이고, (b)도가 Y 방향의 진동파형이고, (c)도가 X, Y 방향의 진동파형을 합성한 리사쥬 파형이다.
도19(c)와 도20(c)을 비교함으로써 이상상태를 정확하게 파악할 수 있다.
그리고 리사쥬 파형으로의 변환을 하고, 상기 리사쥬 파형에 의거하여 확률밀도함수를 산출하고, 또한 대칭형 쿨백 정보량을 산출함으로써 정확한 진단이 가능하게 된다.
또 상기와 같은 리사쥬 파형으로의 변환은, 실시예1에서 설명한 진단처리수단(71)에 있어서의 파형채취수단(71a)에 추가의 기능을 부가하여 이루어지도록 하면 좋다.
[실시예4]
본 실시예는 확률밀도함수를 산출하는 전처리로서, 시간파형을 자기상관함수(自己相關函數)로 변환하도록 한 것이다.
본 실시예는, 왕복이동 회전기계와 같이 주기성이 있는 동작을 하는 설비의 진단에 유효하다.
도21, 도22는 본 실시예의 설명도로서, 도21이 정상 시의 파형을 나타내고 있고, 도22가 이상 시의 파형을 나타내고 있다. 도21, 도22에 있어서 (a)도가 속도·시간의 파형을 나타내고 있고, (b)도가 자기상관함수로 변환한 파형을 나타내고 있다. 도21, 도22에서 알 수 있는 바와 같이 자기상관함수로 변환함으로써 진단대상 설비가 구비하고 있는 주기성이 있는 진동파형이 명확하게 되어, 이 주기성이 있는 진동파형에 착안한 진단이 가능하게 된다.
자기상관함수 파형으로의 변환을 한 후에는, 상기 자기상관함수 파형에 의거하여 확률밀도함수를 산출하고, 또한 대칭형 쿨백 정보량을 산출함으로써 정확한 진단이 가능하게 된다.
[실시예5]
본 실시예는, 확률밀도함수를 산출하는 전처리로서 시간파형을 엔벨로프 파형(Envelope 波形)으로 변환한 것이다.
본 실시예는, 실시예3과 마찬가지로 왕복이동 회전기계와 같이 주기성이 있는 동작을 하는 설비의 진단에 유효하다.
도23, 도24는 본 실시예의 설명도로서, 도23이 정상 시의 파형을 나타내고 있고, 도24가 이상 시의 파형을 나타내고 있다. 도23, 도24에 있어서 (a)도가 가속도·시간의 파형을 나타내고 있고, (b)도가 엔벨로프 파형을 나타내고 있다. 도23, 도24에서 알 수 있는 바와 같이 엔벨로프 파형으로 변환함으로써 진단대상 설비가 구비하고 있는 주기성이 있는 진동에 착안한 진단이 가능하게 된다.
엔벨로프 파형으로의 변환을 하고, 상기 엔벨로프 파형에 의거하여 확률밀도함수를 산출하고, 또한 대칭형 쿨백 정보량을 산출함으로써 정확한 진단이 가능하게 된다.
1 : 진단장치
3 : 회전기계
5 : 진동센서 7 : 데이터 수집장치
9 : 허브 11 : 감시용 PC
13 : 아날로그 회로 15 : A/D 변환회로
17 : 샘플링 처리회로 19 : 샘플링 조건 설정수단
21 : 기억수단 23 : 데이터 송신수단
25 : 통신제어수단 27 : 통합 파라미터 해석프로그램
29 : 쿨백 정보량 해석프로그램
31 : 실가동 해석프로그램 33 : 코히런스 해석프로그램
35 : 자동 수명예측 프로그램 37 : 판정기준 자동설정 프로그램
39 : 통신제어수단 41 : 샘플링 조건 입력수단
43 : 해석프로그램 선택수단 45 : 진단처리수단
47 : 기억수단 49 : 표시수단
51 : 입력수단 61 : 진단장치
63 : 플런저 펌프 65 : 감시용 PC
67 : 통신제어수단 69 : 샘플링 조건 입력수단
71 : 진단처리수단 71a : 파형채취수단
7lb : 확률밀도함수 산출수단
71c : 대칭형 쿨백 정보량 산출수단
71d : 판정수단 73 : 기억수단
75 : 입력수단 77 : 표시수단

Claims (17)

  1. 복수의 센서로부터 출력되는 신호를 입력하여 각 센서별로 데이터를 받아들이는 데이터 입력회로(data 入力回路)와, 외부로부터 입력되는 지시신호를 입력하여 상기 데이터 입력회로에 데이터 샘플링 조건을 설정하는 샘플링 조건 설정수단(sampling 條件 設定手段)과, 샘플링한 데이터를 외부로 송신하는 데이터 송신수단(data 送信手段)을 구비하고,
    상기 샘플링 조건 설정수단은, 각 센서별로 샘플링 시간 및 샘플링 주파수를 설정할 수 있는 것을 특징으로 하는 데이터 수집장치(data 收集裝置).
  2. 제1항에 있어서,
    상기 센서는, 진동센서(振動 sensor), 음향센서(音響 sensor), AE 센서(Acoustic Emission sensor), 변위센서(變位 sensor), 왜곡센서(歪曲 sensor), 압력센서(壓力 sensor), 전류센서(電流 sensor), 전압센서(電壓 sensor), 전력센서(電力 sensor) 중 어느 하나 또는 이들 센서로부터 선택되는 복수의 센서인 것을 특징으로 하는 데이터 수집장치.
  3. 제1항 또는 제2항에 있어서,
    상기 샘플링 조건 설정수단은, 복수의 센서 중에서 동시에 샘플링 하는 센서를 설정할 수 있는 기능을 구비하는 것을 특징으로 하는 데이터 수집장치.
  4. 제1항 또는 제2항의 데이터 수집장치를 구비한 설비기기(設備機器)의 진단장치(診斷裝置)로서,
    상기 데이터 수집장치와 통신회선으로 접속된 감시 컴퓨터(監視 computer)를 구비하고,
    상기 감시 컴퓨터는, 상기 데이터 수집장치에 의한 샘플링 조건을 입력하는 샘플링 조건 입력수단(sampling 條件 入力手段)과, 상기 데이터 수집장치로부터 송신되는 데이터에 의거하여 설비의 상태를 진단하는 하나 또는 복수의 해석프로그램(解析 program)을 구비하고 있는 것을 특징으로 하는 설비기기의 진단장치.
  5. 제4항에 있어서,
    상기 해석프로그램 중 하나가, 기계의 운전상태(運轉狀態)에 있어서의 진동파형(振動波形)을 채취하고, 진동파형에 의거하여 진동을 특징짓는 복수의 진동 파라미터(振動 parameter)를 산출하고, 복수의 진동 파라미터로부터 주성분 분석법(主成分 分析法)에 의하여 주성분을 추출하고, 주성분에 의거하여 하나의 상태평가지수(狀態評價指數)인 통합 파라미터(統合 parameter)를 산출하고, 상기 통합 파라미터에 의거하여 기기의 양부판정(良否判定)을 하는 통합 파라미터 해석프로그램(統合 parameter 解析 program)인 것을 특징으로 하는 설비기기의 진단장치.
  6. 제4항에 있어서,
    상기 해석프로그램 중 하나가, 기계의 운전상태에 있어서의 정상상태의 파형을 채취하고, 그 파형의 진폭확률 밀도함수(振幅確率 密度函數)를 산출하고, 또한 쿨백 정보량(Kullback 情報量)으로서 수치화 한 값을 사용하여 기계의 양부판정을 하는 쿨백 정보량 해석프로그램(Kullback 情報量 解析 program)인 것을 특징으로 하는 설비기기의 진단장치.
  7. 제4항에 있어서,
    상기 해석프로그램 중 하나가, 기계의 운전상태에 있어서의 복수 측정점의 파형을 동시에 채취하고, 이들 파형을 사용하여 기계의 실제 진동의 움직임을 애니메이션 표시(animation 表示)에 의하여 가시화(可視化) 하는 실가동(實可動) 해석 기능을 구비하는 실가동 해석프로그램(實可動 解析 program)인 것을 특징으로 하는 설비기기의 진단장치.
  8. 제4항에 있어서,
    상기 해석프로그램 중 하나가, 서로 다른 측정부위의 2개의 파형을 동시에 채취하고, 양방의 데이터에 관련성이 인정되는가를 평가하기 위한 코히런스 함수(coherence 函數)(관련도 함수(關連度 函數)) 해석 기능을 구비하는 코히런스 함수 해석프로그램(coherence 函數 解析 program)인 것을 특징으로 하는 설비기기의 진단장치.
  9. 제4항에 있어서,
    상기 해석프로그램 중 하나가, 상시감시(常時監視)에 의하여 축적된 파라미터의 시계열 데이터(時系列 data)를 사용하여 장래의 수명 도달일을 예측할 때에, 통계적 방법을 사용하여 수명예측의 자동연산을 하고, 결과를 자동으로 표시하는 자동 수명예측 프로그램(自動 壽命豫測 program)인 것을 특징으로 하는 설비기기의 진단장치.
  10. 제9항에 있어서,
    자동 수명예측 프로그램은, 복수의 모델식을 사용하여 초회예측연산을 하는 초회연산공정(初回演算工程)과, 복수의 모델식별로 자유도 조정완료 결정계수를 산출하는 결정계수 산출공정(決定係數 算出工程)과, 복수의 모델식 중에서 자유도 조정완료 결정계수가 최대가 된 모델식을 당해 파라미터에 있어서의 수명예측 모델식으로서 결정하는 모델식 결정공정(model式 決定工程)과, 선택된 모델식을 사용하여 각 파라미터별로 예측연산을 함으로써 주의값 도달일, 한계값 도달일을 산출하는 수명예측 연산공정(壽命豫測 演算工程)을 구비하여 이루어지는 것을 특징으로 하는 설비기기의 진단장치.
  11. 제10항에 있어서,
    복수의 모델식 중 하나가 ARIMA 모델식이고, 상기 ARIMA 모델식을 사용하여 수명예측연산을 하는 경우에 있어서, 전체 데이터 중에서 최단(最短)으로 되어 있는 주기를 구하고, 그 주기 내에 데이터가 존재하고 있는가 아닌가를 확인하고, 그 주기 내에 데이터가 존재하지 않는 경우에는 그 전후의 데이터로부터 당해 구간의 데이터를 가상 데이터(假想 data)로서 부여하여 ARIMA 모델식을 적용하도록 한 것을 특징으로 하는 설비기기의 진단장치.
  12. 제4항에 있어서,
    상기 해석프로그램 중 하나는, 기기의 정상상태에 있어서의 데이터를 채취하고, 그 정상 데이터를 사용하여 적절한 상대판정 기준값을 자동으로 설정하는 기능을 구비하는 판정기준 자동설정 프로그램(判定基準 自動設定 program)인 것을 특징으로 하는 설비기기의 진단장치.
  13. 진단대상 기기에 설치된 센서로부터의 신호를 입력하여 데이터를 수집하는 데이터 수집장치와, 상기 데이터 수집장치에 데이터의 송수신을 하는 감시 컴퓨터를 구비한 설비기기의 진단장치로서,
    상기 데이터 수집장치는, 센서로부터 출력되는 신호를 입력하여 데이터를 받아들이는 데이터 입력회로와, 외부로부터 입력되는 지시신호를 입력하여 상기 데이터 입력회로에 데이터 샘플링 조건을 설정하는 샘플링 조건 설정수단과, 샘플링한 데이터를 외부로 송신하는 데이터 송신수단을 구비하고,
    상기 감시 컴퓨터는, 상기 데이터 수집장치에 의한 샘플링 조건을 입력하는 샘플링 조건 입력수단과, 상기 데이터 수집장치로부터 송신되는 데이터에 의거하여 설비의 상태를 진단하는 진단처리수단(診斷處理手段)을 구비하여 이루어지고,
    상기 진단처리수단은, 상기 데이터 수집장치에 의하여 샘플링된 데이터에 의거하여 진단대상 기기의 가동상태에 있어서의 파형을 채취하는 파형채취수단(波形採取手段)과, 상기 파형채취수단에 의하여 채취된 파형의 확률밀도함수를 산출하는 확률밀도함수 산출수단(確率密度函數 算出手段)과, 상기 확률밀도함수 산출수단에 의하여 산출된 상기 진단대상 기기의 정상 시와 진단 시의 확률밀도함수로부터, 하기 식으로 정의되는 대칭형 쿨백 정보량(ID)을 산출하는 대칭형 쿨백 정보량 산출수단(對稱形 Kullback 情報量 算出手段)과, 산출된 대칭형 쿨백 정보량(ID)을 미리 정한 임계값과 비교하여 상기 진단대상 기기가 이상인가 아닌가를 판정하는 판정수단(判定手段)을 구비하는 것을 특징으로 하는 설비기기의 진단장치.
    [식7]
    Figure pat00007

    단, Pr(t) : 정상상태에 있어서의 진동파형의 확률밀도함수
    Pt(t) : 진단 시에 있어서의 진동파형의 확률밀도함수
  14. 제13항에 있어서,
    상기 파형채취수단은, 채취한 파형에 있어서의 진동의 X, Y 방향의 2개의 시간파형을 합성하여 리사쥬 파형(Lissajous 波形)을 산출하는 기능을 구비하고 있는 것을 특징으로 하는 설비기기의 진단장치.
  15. 제13항에 있어서,
    상기 파형채취수단은, 채취한 파형을 자기상관함수 파형(自己相關函數 波形)으로 변환하는 기능을 구비하고 있는 것을 특징으로 하는 설비기기의 진단장치.
  16. 제13항에 있어서,
    상기 파형채취수단은, 채취한 파형을 엔벨로프 파형(Envelope 波形)으로 변환하는 기능을 구비하고 있는 것을 특징으로 하는 설비기기의 진단장치.
  17. 제13항 내지 제16항 중의 어느 한 항에 있어서,
    상기 센서는, 진동센서, 음향센서, AE 센서, 변위센서, 왜곡센서, 압력센서, 전류센서, 전압센서, 전력센서 중 어느 하나 또는 이들 센서로부터 선택되는 복수의 센서인 것을 특징으로 하는 설비기기의 진단장치.
KR1020100037703A 2009-07-22 2010-04-23 데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치 KR20110009615A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2009170841A JP5460160B2 (ja) 2009-07-22 2009-07-22 設備機器の診断装置
JPJP-P-2009-170841 2009-07-22
JPJP-P-2009-230211 2009-10-02
JP2009230211A JP5765881B2 (ja) 2009-10-02 2009-10-02 設備機器の診断装置

Publications (1)

Publication Number Publication Date
KR20110009615A true KR20110009615A (ko) 2011-01-28

Family

ID=43615280

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100037703A KR20110009615A (ko) 2009-07-22 2010-04-23 데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치

Country Status (1)

Country Link
KR (1) KR20110009615A (ko)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101302519B1 (ko) * 2012-07-05 2013-09-02 주식회사 포스코 진동의 확률 밀도 함수를 이용한 설비 이상 진단 방법
WO2015076435A1 (ko) * 2013-11-22 2015-05-28 이선휘 진동 특성을 이용한 설비의 결함 진단 방법
KR20170087092A (ko) * 2016-01-19 2017-07-28 현대일렉트릭앤에너지시스템(주) 회전기 모니터링 장치 및 회전기 모니터링 방법
CN107202612A (zh) * 2017-07-14 2017-09-26 江苏省水利科学研究院 一种智能野外数据采集处理系统及方法
KR20180074188A (ko) * 2016-12-23 2018-07-03 주식회사 포스코 설비 모니터링 장치 및 방법
KR20190074047A (ko) * 2017-12-19 2019-06-27 한국산업기술대학교산학협력단 오프셋 기반의 데이터 전송 방법 및 장치
US11243528B2 (en) 2016-05-09 2022-02-08 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection utilizing adaptive scheduling of a multiplexer
CN114339472A (zh) * 2021-12-31 2022-04-12 中国兵器装备集团自动化研究所有限公司 一种自适应机电设备数据集成采集系统
US11353851B2 (en) 2016-05-09 2022-06-07 Strong Force Iot Portfolio 2016, Llc Systems and methods of data collection monitoring utilizing a peak detection circuit
US11397428B2 (en) 2017-08-02 2022-07-26 Strong Force Iot Portfolio 2016, Llc Self-organizing systems and methods for data collection
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things

Cited By (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101302519B1 (ko) * 2012-07-05 2013-09-02 주식회사 포스코 진동의 확률 밀도 함수를 이용한 설비 이상 진단 방법
WO2015076435A1 (ko) * 2013-11-22 2015-05-28 이선휘 진동 특성을 이용한 설비의 결함 진단 방법
KR20170087092A (ko) * 2016-01-19 2017-07-28 현대일렉트릭앤에너지시스템(주) 회전기 모니터링 장치 및 회전기 모니터링 방법
US11392111B2 (en) 2016-05-09 2022-07-19 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent data collection for a production line
US11797821B2 (en) 2016-05-09 2023-10-24 Strong Force Iot Portfolio 2016, Llc System, methods and apparatus for modifying a data collection trajectory for centrifuges
US11256242B2 (en) 2016-05-09 2022-02-22 Strong Force Iot Portfolio 2016, Llc Methods and systems of chemical or pharmaceutical production line with self organizing data collectors and neural networks
US11256243B2 (en) 2016-05-09 2022-02-22 Strong Force loT Portfolio 2016, LLC Methods and systems for detection in an industrial Internet of Things data collection environment with intelligent data collection and equipment package adjustment for fluid conveyance equipment
US11262737B2 (en) 2016-05-09 2022-03-01 Strong Force Iot Portfolio 2016, Llc Systems and methods for monitoring a vehicle steering system
US11281202B2 (en) 2016-05-09 2022-03-22 Strong Force Iot Portfolio 2016, Llc Method and system of modifying a data collection trajectory for bearings
US11307565B2 (en) 2016-05-09 2022-04-19 Strong Force Iot Portfolio 2016, Llc Method and system of a noise pattern data marketplace for motors
US11996900B2 (en) 2016-05-09 2024-05-28 Strong Force Iot Portfolio 2016, Llc Systems and methods for processing data collected in an industrial environment using neural networks
US11836571B2 (en) 2016-05-09 2023-12-05 Strong Force Iot Portfolio 2016, Llc Systems and methods for enabling user selection of components for data collection in an industrial environment
US11838036B2 (en) 2016-05-09 2023-12-05 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US11340589B2 (en) 2016-05-09 2022-05-24 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial Internet of Things data collection environment with expert systems diagnostics and process adjustments for vibrating components
US11347215B2 (en) 2016-05-09 2022-05-31 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment with intelligent management of data selection in high data volume data streams
US11347206B2 (en) 2016-05-09 2022-05-31 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection in a chemical or pharmaceutical production process with haptic feedback and control of data communication
US11347205B2 (en) 2016-05-09 2022-05-31 Strong Force Iot Portfolio 2016, Llc Methods and systems for network-sensitive data collection and process assessment in an industrial environment
US11353851B2 (en) 2016-05-09 2022-06-07 Strong Force Iot Portfolio 2016, Llc Systems and methods of data collection monitoring utilizing a peak detection circuit
US11353850B2 (en) 2016-05-09 2022-06-07 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection and signal evaluation to determine sensor status
US11360459B2 (en) 2016-05-09 2022-06-14 Strong Force Iot Portfolio 2016, Llc Method and system for adjusting an operating parameter in a marginal network
US11366456B2 (en) 2016-05-09 2022-06-21 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment with intelligent data management for industrial processes including analog sensors
US11366455B2 (en) 2016-05-09 2022-06-21 Strong Force Iot Portfolio 2016, Llc Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment
US11372395B2 (en) 2016-05-09 2022-06-28 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial Internet of Things data collection environment with expert systems diagnostics for vibrating components
US11372394B2 (en) 2016-05-09 2022-06-28 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment with self-organizing expert system detection for complex industrial, chemical process
US11378938B2 (en) 2016-05-09 2022-07-05 Strong Force Iot Portfolio 2016, Llc System, method, and apparatus for changing a sensed parameter group for a pump or fan
US11385623B2 (en) 2016-05-09 2022-07-12 Strong Force Iot Portfolio 2016, Llc Systems and methods of data collection and analysis of data from a plurality of monitoring devices
US11397421B2 (en) 2016-05-09 2022-07-26 Strong Force Iot Portfolio 2016, Llc Systems, devices and methods for bearing analysis in an industrial environment
US11243528B2 (en) 2016-05-09 2022-02-08 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection utilizing adaptive scheduling of a multiplexer
US11385622B2 (en) 2016-05-09 2022-07-12 Strong Force Iot Portfolio 2016, Llc Systems and methods for characterizing an industrial system
US11397422B2 (en) 2016-05-09 2022-07-26 Strong Force Iot Portfolio 2016, Llc System, method, and apparatus for changing a sensed parameter group for a mixer or agitator
US11243522B2 (en) 2016-05-09 2022-02-08 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial Internet of Things data collection environment with intelligent data collection and equipment package adjustment for a production line
US11402826B2 (en) 2016-05-09 2022-08-02 Strong Force Iot Portfolio 2016, Llc Methods and systems of industrial production line with self organizing data collectors and neural networks
US11409266B2 (en) 2016-05-09 2022-08-09 Strong Force Iot Portfolio 2016, Llc System, method, and apparatus for changing a sensed parameter group for a motor
US11791914B2 (en) 2016-05-09 2023-10-17 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial Internet of Things data collection environment with a self-organizing data marketplace and notifications for industrial processes
US11493903B2 (en) 2016-05-09 2022-11-08 Strong Force Iot Portfolio 2016, Llc Methods and systems for a data marketplace in a conveyor environment
US11507075B2 (en) 2016-05-09 2022-11-22 Strong Force Iot Portfolio 2016, Llc Method and system of a noise pattern data marketplace for a power station
US11573558B2 (en) 2016-05-09 2023-02-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for sensor fusion in a production line environment
US11573557B2 (en) 2016-05-09 2023-02-07 Strong Force Iot Portfolio 2016, Llc Methods and systems of industrial processes with self organizing data collectors and neural networks
US11586188B2 (en) 2016-05-09 2023-02-21 Strong Force Iot Portfolio 2016, Llc Methods and systems for a data marketplace for high volume industrial processes
US11586181B2 (en) 2016-05-09 2023-02-21 Strong Force Iot Portfolio 2016, Llc Systems and methods for adjusting process parameters in a production environment
US11609552B2 (en) 2016-05-09 2023-03-21 Strong Force Iot Portfolio 2016, Llc Method and system for adjusting an operating parameter on a production line
US11609553B2 (en) 2016-05-09 2023-03-21 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection and frequency evaluation for pumps and fans
US11646808B2 (en) 2016-05-09 2023-05-09 Strong Force Iot Portfolio 2016, Llc Methods and systems for adaption of data storage and communication in an internet of things downstream oil and gas environment
US11663442B2 (en) 2016-05-09 2023-05-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial Internet of Things data collection environment with intelligent data management for industrial processes including sensors
US11728910B2 (en) 2016-05-09 2023-08-15 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment with expert systems to predict failures and system state for slow rotating components
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11770196B2 (en) 2016-05-09 2023-09-26 Strong Force TX Portfolio 2018, LLC Systems and methods for removing background noise in an industrial pump environment
KR20180074188A (ko) * 2016-12-23 2018-07-03 주식회사 포스코 설비 모니터링 장치 및 방법
CN107202612B (zh) * 2017-07-14 2023-09-22 江苏省水利科学研究院 一种智能野外数据采集处理系统及方法
CN107202612A (zh) * 2017-07-14 2017-09-26 江苏省水利科学研究院 一种智能野外数据采集处理系统及方法
US11442445B2 (en) * 2017-08-02 2022-09-13 Strong Force Iot Portfolio 2016, Llc Data collection systems and methods with alternate routing of input channels
US11397428B2 (en) 2017-08-02 2022-07-26 Strong Force Iot Portfolio 2016, Llc Self-organizing systems and methods for data collection
KR20190074047A (ko) * 2017-12-19 2019-06-27 한국산업기술대학교산학협력단 오프셋 기반의 데이터 전송 방법 및 장치
CN114339472A (zh) * 2021-12-31 2022-04-12 中国兵器装备集团自动化研究所有限公司 一种自适应机电设备数据集成采集系统
CN114339472B (zh) * 2021-12-31 2024-02-06 中国兵器装备集团自动化研究所有限公司 一种自适应机电设备数据集成采集系统

Similar Documents

Publication Publication Date Title
KR20110009615A (ko) 데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치
JP5460160B2 (ja) 設備機器の診断装置
US9477223B2 (en) Condition monitoring system and method
JP5985099B1 (ja) 回転機械系の異常検知方法、その異常検知方法を用いた回転機械系の異常監視方法、及びその異常監視方法を用いた回転機械系の異常監視装置
KR101298973B1 (ko) 고압 유도전동기 종합 온라인 상태 진단 장치 및 방법
JP4787904B2 (ja) 転がり軸受の余寿命診断方法
JP6714806B2 (ja) 状態監視装置及び状態監視方法
KR102393095B1 (ko) 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템
JP2005291738A (ja) 転がり軸受の余寿命診断方法及びこの余寿命診断装置
JPH07168619A (ja) 機器／設備診断方法およびシステム
KR101381822B1 (ko) 전동기에서의 진동신호 분석방법
JP5765881B2 (ja) 設備機器の診断装置
KR101498527B1 (ko) 진동 주파수 분석 프로그램에 의한 발전소 회전설비상태 진단 시스템
JP2017166960A (ja) 計測診断装置、及び計測診断方法
KR101166871B1 (ko) 기계시스템 상태감시장치 및 상태감시방법
CN115539139A (zh) 一种汽轮机安全性的监测方法
US11493404B2 (en) Method and system for estimating the wear of a rotating machine including a bearing
JP2020027563A (ja) ヘルスモニタリングシステム
KR20220102364A (ko) 진동 센서를 통한 설비 예지 보전 시스템
KR101399488B1 (ko) 원전 저널 베어링 온라인 결함 진단 시스템
Zhang et al. Condition monitoring and fault detection of a compressor using signal processing techniques
RU2451299C1 (ru) Устройство диагностирования в реальном времени системы электродвижения судна
KR101335787B1 (ko) 전동기의 예방 보전 장치
RU2730385C1 (ru) Способ диагностики технического состояния энергетического оборудования
Alekseev et al. Data measurement system of compressor units defect diagnosis by vibration value

Legal Events

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