KR20110075332A

KR20110075332A - 설비 고장 예측 방법

Info

Publication number: KR20110075332A
Application number: KR1020090131754A
Authority: KR
Inventors: 김종한
Original assignee: 재단법인 포항산업과학연구원
Priority date: 2009-12-28
Filing date: 2009-12-28
Publication date: 2011-07-06

Abstract

설비의 기계적 신호와 전기적 신호를 분석하여 설비의 고장을 예측할 수 있도록, 설비에 구비된 측정계 또는 센서에 의해 검출된 과거 데이터로로부터 마스터 테이블을 생성하는 단계와, 마스터 테이블으로부터 고장 예측을 위한 모델을 선정하기 위한 모델링 단계, 설비로부터 현재 시간에 검출된 신호로부터 계산된 현재 통계 데이터를 상기 모델에 적용하는 단계, 선정된 모델을 통해 설비 상태를 예측하는 단계를 포함하는 설비 고장 예측 방법을 제공한다.

고장, 예측, 마스터 테이블, 모델, 통계

Description

설비 고장 예측 방법{FAULT PREDICTION METHOD FOR PLANT}

본 발명은 설비를 이루는 각 구성부의 고장을 사전에 예측하기 위한 방법에 관한 것이다. 더욱 상세하게 본 발명은 설비에 설치된 각종 센서나 계측기로부터 수집된 데이터를 처리하여 설비의 향후 고장 발생 가능성을 예측하는 설비 고장 예측 방법에 관한 것이다.

현재 압연설비에는 설비의 고장을 진단하기 위해 중요 부위에 기계 및 전기적인 신호인 진동, 전류, 토크, 온도, 전압 등의 데이터를 수집하여 모니터링하고 있다. 이에 이러한 신호 모니터링 결과에 따라 설비를 적절히 관리하게 된다.

즉, 이러한 신호를 이용한 설비의 유지보수 방식은 설비를 일정기간이 지난후 일괄 교체하는 예방보전 개념의 방식과 고장후 보수 교체하는 사후보전 방식을 취하고 있다.

그러나 압연설비에서 여러가지 유지보수의 노력에도 불구하고 예상치 못했던 고장이 발생되는 경우가 많으며, 이로 인하여 작업의 신뢰성 저하되고 예상치 못한 정비 비용이 발생하게 된다.

이에 향후 설비의 상태가 어떻게 될 것인가를 예측하는 것은 설비 관리를 효 율적으로 하기 위해서 매우 중요하다 할 수 있다.

이에 설비의 기계적 신호와 전기적 신호를 분석하여 설비의 고장을 예측할 수 있는 설비 고장 예측 방법을 제공한다.

이를 위해 본 방법은 설비에 구비된 측정계 또는 센서에 의해 검출된 과거 데이터로로부터 마스터 테이블을 생성하는 단계와, 마스터 테이블으로부터 고장 예측을 위한 모델을 선정하기 위한 모델링 단계, 설비로부터 현재 시간에 검출된 신호로부터 계산된 현재 통계 데이터를 상기 모델에 적용하는 단계, 선정된 모델을 통해 설비 상태를 예측하는 단계를 포함할 수 있다.

여기서 상기 마스터 테이블을 생성하는 단계는 측정계 또는 센서로부터 설정시간 단위로 데이터를 수집하는 단계와, 수집 데이터로부터 제1 단위시간에 대한 평균 데이터를 계산하는 단계, 평균 데이터로부터 예측 단위시간에 대한 통계 데이터를 계산하는 단계, 통계 데이터에 대한 실제 설비의 고장여부를 확인하여 모델링을 위한 마스터 테이블을 생성하는 단계를 포함할 수 있다.

상기 마스터 테이블은 통계 데이터를 X 인자로 하고 이에 대한 실제 고장 여부를 Y 인자로 하여 생성될 수 있다.

또한, 상기 모델링 단계는 의사결정나무(Decision Tree) 모델 또는 회귀분석(Logistic Regression Analysis) 모델을 통해 정합성을 비교하여 모델을 선정할 수 있다.

또한, 현재 통계 데이터를 모델에 적용하는 단계에서, 상기 현재 통계 데이터는 설비에 구비된 측정계 또는 센서로부터 설정시간 단위로 데이터를 수집하는 단계와, 수집 데이터로부터 제1 단위시간에 대한 평균 데이터를 계산하는 단계, 평균 데이터로부터 예측하고자 하는 예측 단위시간에 대한 통계 데이터를 계산하는 단계를 포함할 수 있다.

상기 설정 시간은 0.1초 단위일 수 있다. 또한, 상기 제1 단위시간은 1초로 설정될 수 있다. 또한, 상기 예측 단위시간은 1시간으로 설정될 수 있다.

또한, 상기 통계 데이터는 최소값, P1, P5, P95, P99, 최대값일 수 있다.

여기서 상기 P1은 1시간동안의 1초 데이터 3600개 중의 1% 값보다 작은 회수이며, P5는 1시간동안의 1초 데이터 3600개 중의 5% 값보다 작은 회수이며, P95는 1시간동안의 1초 데이터 3600개 중의 95% 값보다 큰 회수이며, P99는 1시간동안의 1초 데이터 3600개 중의 99% 값보다 큰 회수를 의미한다.

이와 같은 본 실시예에 의하면, 설비의 고장 가능성을 사전에 예측 가능하게 되어 설비의 고장에 보다 신속하게 대처할 수 있으며 설비의 유지보수비를 절감할 수 있게 된다.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.

도면들은 개략적이고 축적에 맞게 도시되지 않았다는 것을 일러둔다. 도면에 있는 부분들의 상대적인 치수 및 비율은 도면에서의 명확성 및 편의를 위해 그 크기에 있어 과장되거나 감소되어 도시되었으며 임의의 치수는 단지 예시적인 것이지 한정적인 것은 아니다.

여기서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.

이하 설명에서는 압연 설비의 턴테이블 유닛에 있어서 고장을 예측하는 방법에 대해 설명한다. 그러나 본 방법은 압연 설비의 턴테이블 유닛에 특별히 한정되지 않으며 모든 설비에 적용 가능하다 할 것이다.

도 1은 본 실시예에 따른 설비 고장 예측 과정을 도시한 순서도이다.

압연설비의 턴테이블 유닛은 압연 소재의 방향 전환을 위한 구성부로 구동모터의 동작에 따라 회전 구동된다.

이에 상기 턴테이블 유닛에는 설비의 온도, 구동모터의 진동 속도, 가속도, 토크, 전류값 등을 검출할 수 있는 각종 센서나 측정계가 설치되어 실시간으로 전기, 기계적인 신호가 검출된다.

본 고장 예측 방법은 상기 센서나 측정계로부터 검출된 설비의 전기, 기계적 측정 신호를 통계 처리하여 데이터화하고 이 데이터에 대한 실제 고장여부를 확인하여 고장 예측을 위한 모델을 설정하고 이 모델에 현재 설비로부터 검출된 데이터를 입력하여 고장 예측값을 얻는 구조로 되어 있다.

이를 위해 본 방법은 과거 사례를 활용하여 고장 예측을 위한 모델을 제공하고, 현재 설비로부터 검출된 전기, 기계적 신호를 데이터화하여 이 데이터를 상기 모델에 적용하는 과정을 거치게 된다.

본 방법은 모델 선정을 위해 설비에 구비된 측정계 또는 센서에 의해 검출된 과거 데이터로로부터 마스터 테이블을 생성하는 단계와, 마스터 테이블으로부터 고장 예측을 위한 모델을 선정하기 위한 모델링 단계를 포함한다.(S100 ~ S200)

또한, 본 방법은 상기 모델로부터 설비 고장을 예측하기 위하여, 설비로부터 현재 시간에 검출된 신호로부터 현재 통계 데이터를 계산하는 단계와, 이 통계 데이터를 상기 모델에 적용하는 단계, 선정된 모델을 통해 설비 상태를 예측하는 단계를 포함한다.(S300 ~ S500)

여기서 상기 마스터 테이블을 생성하는 단계(S100)는 과거에 설비의 측정계 또는 센서로부터 설정시간 단위로 데이터를 수집하는 단계(S110)와, 수집 데이터로부터 제1 단위시간에 대한 평균 데이터를 계산하는 단계(S120), 평균 데이터로부터 예측 단위시간에 대한 통계 데이터를 계산하는 단계(S130), 통계 데이터에 대한 실제 설비의 고장여부를 확인하여 모델링을 위한 마스터 테이블을 생성하는 단계(S140)를 포함한다.

본 방법은 설비의 과거 사례를 통해 미래의 고장을 예측하기 위한 것으로 먼저 과거의 사례에 따른 고장 예측 모델을 선정해야 한다.

모델의 선정은 과거 전기, 기계적 선호를 통계 처리하여 마스터 테이블을 생성한 후 모델링 과정을 통해 이루어진다.

본 실시예에서는 통계 처리를 위해 예를 들어 0.1초의 설정시간 단위로 측정계 또는 센서로부터 측정된 데이터를 수집하게 된다. 이렇게 수집된 수집 데이터는 제1 단위시간인 1초 단위로 계산되어 평균 데이터로 생성된다. 물론 제1 단위시간은 1초에 한정되지 않으며 1분이나 10초 등 다양하게 변경가능하다. 그리고 최종적으로 예측 단위시간 예를 들어 1시간에 대해 통계를 내어 데이터화한다. 상기 통계 데이터는 최소값, P1, P5, P95, P99, 최대값일 수 있다.

이와 같이 마스터 테이블 생성을 위한 X 인자로서 통계 데이터가 구해지면 상기 X 인자에 대한 설비의 실제 고장 여부를 확인하여 이 값을 Y 인자로 설정한다.

따라서 상기 마스터 테이블은 과거 통계 데이터를 X 인자로 하고 이에 대한 실제 고장 여부를 Y 인자로 하여 생성될 수 있는 것이다. 여기서 상기 Y 인자는 설비가 고장일 때는 1의 값, 정상이면 0의 값으로 생성된다.

상기와 같이 마스터 테이블이 생성되면 모델링 단계를 거쳐 고장 예측을 위한 최종 모델을 선정하게 된다. 상기 모델링 단계는 의사결정나무(Decision Tree) 모델 또는 회귀분석(Logistic Regression Analysis) 모델을 통해 정합성을 비교하여 모델을 선정할 수 있다.

이에 상기 모델에 설비의 현재 통계 데이터를 입력하면 X 인자인 통계 데이터에 대해 Y 인자인 설비의 고장을 예측할 수 있게 되는 것이다.

상기 모델에 현재 설비의 X 인자 값을 입력하기 위해서는 설비의 현재 전기,기계적 신호로부터 설비의 현재 예측 시간단위에 대한 통계 데이터를 먼저 구해야 한다.(S300)

상기 현재 통계 데이터는 설비에 구비된 측정계 또는 센서로부터 설정시간 단위로 데이터를 수집하는 단계(S310)와, 수집 데이터로부터 제1 단위시간에 대한 평균 데이터를 계산하는 단계(S320), 평균 데이터로부터 예측하고자 하는 예측 단위시간에 대한 통계 데이터를 계산하는 단계(S330)를 거쳐 구해진다.

언급한 바와 같이 본 실시예에서는 예를 들어 0.1초의 설정시간 단위로 측정계 또는 센서로부터 측정된 현재의 데이터를 수집하게 된다. 이렇게 수집된 수집 데이터는 제1 단위시간인 1초 단위로 계산되어 평균 데이터로 생성된다. 물론 제1 단위시간은 1초에 한정되지 않으며 1분이나 10초 등 다양하게 변경가능하다. 그리고 최종적으로 예측 단위시간 예를 들어 1시간에 대해 통계를 내어 데이터화한다. 상기 통계 데이터는 최소값, P1, P5, P95, P99, 최대값일 수 있다.

여기서 상기 P1은 1시간동안의 1초 데이터 3600개 중의 1% 값보다 작은 회수 이며, P5는 1시간동안의 1초 데이터 3600개 중의 5% 값보다 작은 회수이며, P95는 1시간동안의 1초 데이터 3600개 중의 95% 값보다 큰 회수이며, P99는 1시간동안의 1초 데이터 3600개 중의 99% 값보다 큰 회수를 의미한다.

이와 같이 현재 예측 단위시간에 대한 X 인자 값으로 통계 데이터가 구해지면, 상기 통계 데이터를 상기 모델에 적용한다.(S400)

그리고 모델로부터 X 인자 값에 대한 Y 인자 값을 구하여 이 값에 따라 설비의 고장을 예측하게 된다.(S500) 본 실시예에서 예를 들어 상기 예측값이 0.5 이하이면 설비가 정상이고, 예측값이 0.5 ~ 0.7이면 설비 점검, 예측값이 0.7 이상이면 설비 이상으로 판단할 수 있다.

상기에서는 본 발명의 바람직한 실시예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 특허청구범위와 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 본 발명의 범위에 속하는 것은 당연하다.

도 1은 본 실시예에 따른 설비의 고장 예측 과정을 도시한 개략적인 순서도이다.

Claims

설비에 구비된 측정계 또는 센서에 의해 검출된 과거 데이터로로부터 마스터 테이블을 생성하는 단계와,

마스터 테이블으로부터 고장 예측을 위한 모델을 선정하기 위한 모델링 단계,

설비로부터 현재 시간에 검출된 신호로부터 계산된 현재 통계 데이터를 상기 모델에 적용하는 단계,

선정된 모델을 통해 설비 상태를 예측하는 단계

를 포함하는 설비 고장 예측 방법.
제 1 항에 있어서,

상기 마스터 테이블을 생성하는 단계는 측정계 또는 센서로부터 설정시간 단위로 데이터를 수집하는 단계와, 수집 데이터로부터 제1 단위시간에 대한 평균 데이터를 계산하는 단계, 평균 데이터로부터 예측 단위시간에 대한 통계 데이터를 계산하는 단계, 통계 데이터에 대한 실제 설비의 고장여부를 확인하여 모델링을 위한 마스터 테이블을 생성하는 단계를 포함하는 설비 고장 예측 방법.
제 2 항에 있어서,

상기 마스터 테이블은 상기 통계 데이터를 X 인자로 하고 이에 대한 실제 고 장 여부를 Y 인자로 하여 생성되는 설비 고장 예측 방법.
제 2 항에 있어서,

상기 모델링 단계는 의사결정나무(Decision Tree) 모델 또는 회귀분석(Logistic Regression Analysis) 모델을 통해 정합성을 비교하여 모델을 선정하는 설비 고장 예측 방법.
제 4 항에 있어서,

상기 현재 통계 데이터를 모델에 적용하는 단계에서, 상기 현재 통계 데이터는 설비에 구비된 측정계 또는 센서로부터 설정시간 단위로 현재 데이터를 수집하는 단계와, 수집 데이터로부터 제1 단위시간에 대한 평균 데이터를 계산하는 단계, 평균 데이터로부터 예측하고자 하는 예측 단위시간에 대한 통계 데이터를 계산하는 단계를 포함하는 설비 고장 예측 방법.
제 2 항 또는 제 5 항에 있어서,

상기 통계 데이터는 최소값, P1, P5, P95, P99, 최대값인 설비 고장 예측 방법.

여기서,

P1은 1시간동안의 1초 데이터 3600개 중의 1% 값보다 작은 회수이고,

P5는 1시간동안의 1초 데이터 3600개 중의 5% 값보다 작은 회수이고,

P95는 1시간동안의 1초 데이터 3600개 중의 95% 값보다 큰 회수이고,

P99는 1시간동안의 1초 데이터 3600개 중의 99% 값보다 큰 회수이다.