KR20150104459A - 기계 구조물의 결함 진단 시스템 및 그 방법 - Google Patents

기계 구조물의 결함 진단 시스템 및 그 방법 Download PDF

Info

Publication number
KR20150104459A
KR20150104459A KR1020140026212A KR20140026212A KR20150104459A KR 20150104459 A KR20150104459 A KR 20150104459A KR 1020140026212 A KR1020140026212 A KR 1020140026212A KR 20140026212 A KR20140026212 A KR 20140026212A KR 20150104459 A KR20150104459 A KR 20150104459A
Authority
KR
South Korea
Prior art keywords
mechanical structure
defect
output signal
frequency
moment
Prior art date
Application number
KR1020140026212A
Other languages
English (en)
Inventor
김종수
유홍희
최찬규
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020140026212A priority Critical patent/KR20150104459A/ko
Publication of KR20150104459A publication Critical patent/KR20150104459A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 기계 구조물의 결함 진단 시스템에 관한 것으로, 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색하는 주파수 탐색부; 탐색된 상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 모멘트 가압부; 상기 기계 구조물로부터 출력신호를 획득하는 출력신호 획득부; 획득한 상기 출력신호로부터 특징벡터를 추출하는 특징벡터 추출부; 추출한 상기 특징벡터를 이용하여 복합모듈로부터 상기 기계 구조물의 결함을 진단하는 결함 진단부; 및 상기 복합모듈로부터 진단된 결함의 위치와 크기를 확인하는 결함 확인부;를 포함하여 이루어진다.

Description

기계 구조물의 결함 진단 시스템 및 그 방법{THE FAULT DIAGNOSIS SYSTEM AND METHOD OF MECHANICAL STRUCTURE}
본 발명은 기계 구조물의 결함 진단 시스템에 관한 것으로, 보다 상세하게는 기계 구조물에 가해지는 모멘트로 인해 기계 구조물의 결함 진단의 정확도를 향상시킬 수 있는 기계 구조물의 결함 진단 시스템에 관한 것이다.
일반적으로 항공, 선박, 차량, 교량 및 고층건물 등의 구조물은 적절한 검사와 유지보수가 필요하여 완전 상태 및 건전성을 주기적으로 감지해 주어야 한다. 구조물의 결함을 감지하는 방법으로 구조물에 전류, 초음파 등의 진단신호를 인가하거나 각종 센서를 설치하여 측정되는 정상신호와 진단신호를 비교하여 구조물의 결함을 감지하는 비파괴 시험방법이 주로 사용된다.
선행기술문헌들의 예로 등록특허 제10-1040926호가 개시되어 있다. 이 등록특허는 기계의 결함 진단방법에 관한 것으로, 정상 상태와 실제 진단시의 진단신호를 측정하고 은닉 마르코프 모델(Hidden Markov Model, HMM) 알고리즘을 사용하여 이를 분석하여 실제 기계의 결함이 발생되는 구간을 정확하게 감지하는 것이다.
그러나, 이 종래기술은 은닉 마르코프 모델(HMM)만 이용하여 기계의 결함을 진단하기 때문에 진단의 정확도가 현저하게 저하되는 문제점이 있다.
따라서, 기계의 결함을 정확하게 진단하지 못하여 작동 중인 기계를 중단시킬 뿐만 아니라 기계근처에서 작업하는 작업자의 인명사고가 발생되는 문제점도 있다.
또한, 또한, 기계시스템의 결함을 진단하기 위한 방법으로 패턴인식 기법이 널리 사용되고 있다. 패턴인식 기법은 진동신호의 변화를 감지하여 기계시스템의 건전성을 판단하는 방법이다. 대표적인 패턴인식 기법으로 최근 은닉 마르코프 모델(Hidden Markov Model)과 인공신경망(Artificial Neural Network)이 여러 분야에서 사용되고 있다.
은닉 마르코프 모델과 인공신경망 모델 구축시 특징 벡터 추출이 필요한데, 이 특징 벡터 추출 시 사용되는 기계 구조물의 출력 신호(가속도, 변위 값 등)에는 외부 잡음이 섞일 수 있다. 출력 신호에 외부 잡음이 섞일 경우 결함 발생 위치 및 크기에 따른 출력 신호들이 갖는 차이가 뚜렷하지 않게 되어 결함 진단에 어려움이 생긴다.
종래기술에서는 기계 구조물의 결함 진단 시 사용되는 출력 신호(진동 신호 등)에 외부 잡음의 영향을 고려하지 않거나 고려하더라도 그 크기가 아주 작았다. 하지만 실제 기계 구조물이 작동할 때에 외부 잡음의 영향은 얼마든지 크게 작용할 수 있다. 외부 잡음의 세기가 클 경우 결함 발생 위치 및 크기에 따른 출력 신호들 간의 차이가 뚜렷하게 나타나기 힘들다. 따라서 기존의 패턴 인식 기법을 이용한 기계 구조물의 결함 진단 방법으로는 정확한 결함 진단이 어렵다.
따라서, 외부 잡음의 세기가 크더라도 기계 구조물의 결함 진단에 큰 영향을 미치지 않는 결함 진단 방법이 필요하다.
등록특허 제10-1040926호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 기계 구조물에 가해지는 모멘트로 인해 기계 구조물의 결함 진단의 정확도를 향상시킬 수 있는 기계 구조물의 결함 진단 시스템 및 방법을 제공한다.
본 발명은 신호 속에 주어지는 외부 잡음에도 불구하고 진단의 확률을 높이기 위해서 특정 주파수들을 갖는 모멘트를 기계 구조물에 가하는 기계 구조물의 결함 진단 시스템 및 방법을 제공한다.
본 발명은 은닉 마르코프 모델과 인공신경망을 동시에 적용하여 기계 구조물의 결함 발생여부와 발생 위치 및 크기를 진단할 수 있는 기계 구조물의 결함 진단 시스템 및 방법을 제공한다.
본 발명의 다른 목적은, 특정한 장점들 및 신규한 특징들이 첨부된 도면들과 연관된 이하의 상세한 설명과 바람직한 실시예들로부터 더욱 분명해질 것이다.
본 발명에 따른 기계 구조물의 결함 진단 시스템은, 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색하는 주파수 탐색부; 탐색된 상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 모멘트 가압부; 상기 기계 구조물로부터 출력신호를 획득하는 출력신호 획득부; 획득한 상기 출력신호로부터 특징벡터를 추출하는 특징벡터 추출부; 추출한 상기 특징벡터를 이용하여 복합모듈로부터 상기 기계 구조물의 결함을 진단하는 결함 진단부; 및 상기 복합모듈로부터 진단된 결함의 위치와 크기를 확인하는 결함 확인부;를 포함하여 이루어진다.
상기 모멘트 가압부의 상기 모멘트는 조화함수의 조합형태로 이루어질 수 있다.
상기 모멘트의 상기 조화함수는 수학식
Figure pat00001
로 나타낼 수 이다.
상기 모멘트 가압부는 상기 기계 구조물의 각 고유진동수 주파수를 갖는 2~4개의 조화함수 조합 형태의 가진 모멘트를 진단하고자 하는 상기 기계 구조물에 가할 수 있다.
상기 출력신호 획득부의 상기 출력신호는 수학식
Figure pat00002
에 따라 잡음의 상대적 세기를 알 수 있다.
상기 출력신호 획득부의 상기 기계 구조물로부터 획득한 출력신호를 FFT하여 상기 출력신호를 주파수 영역으로 변환하고 1~5차 고유진동수의 피크 값을 구하여 상기 고유진동수 피크 값을 상기 특징벡터로 사용할 수 있다.
상기 결함 진단부의 상기 복합모듈은 은닉 마르코프 모델과 인공 신경망을 모두 적용하여 이루어질 수 있다.
본 발명에 따른 기계 구조물의 결함 진단 방법은, 기계 구조물의 결함 진단 시스템의 주파수 탐색부에서 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색하는 단계; 기계 구조물의 결함 진단 시스템의 모멘트 가압부에서 탐색된 상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 단계; 기계 구조물의 결함 진단 시스템의 출력신호 획득부에서 상기 기계 구조물로부터 출력신호를 획득하는 단계; 기계 구조물의 결함 진단 시스템의 특징벡터 추출부에서 획득한 상기 출력신호로부터 특징벡터를 추출하는 단계; 기계 구조물의 결함 진단 시스템의 결함 진단부에서 추출한 상기 특징벡터를 이용하여 복합모듈로부터 상기 기계 구조물의 결함을 진단하는 단계; 및 기계 구조물의 결함 진단 시스템의 결함 확인부에서 상기 복합모듈로부터 진단된 결함의 위치와 크기를 확인하는 단계;를 포함하여 이루어질 수 있다.
상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 단계에서는 상기 기계 구조물의 각 고유진동수 주파수를 갖는 2~4개의 조화함수 조합 형태의 가진 모멘트를 진단하고자 하는 상기 기계 구조물에 가할 수 있다.
상기 출력신호로부터 특징벡터를 추출하는 단계에서는 상기 출력신호를 주파수 영역으로 변환하여 1~5차 고유진동수의 피크 값을 구하고, 상기 5개의 고유진동수 피크 값을 상기 특징벡터로 사용할 수 있다.
상기 출력신호로부터 특징벡터를 추출하는 단계에서는 상기 특징벡터를 기호로 변환하는 벡터 양자화 과정을 수행할 수 있다.
상기 기계 구조물의 결함을 진단하는 단계에서는 상기 특징벡터 요소를 인공신경망을 이용하여 패턴 분류를 하고, 상기 패턴 분류를 하여 얻은 결과값을 상기 특징벡터 요소에 더한 값을 이용하여 은닉 마르코프 모델을 구성할 수 있다.
본 발명에 따르면 본 발명은 기계 구조물에 가해지는 모멘트로 인해 기계 구조물의 결함 진단의 정확도를 향상시킬 수 있다. 따라서, 기계 구조물의 결함을 정확하게 진단이 가능하므로 작동 중인 기계 구조물을 불필요하게 중단시키지 않아도 되고, 기계근처에서 작업하는 작업자의 인명사고를 최소화시킬 수 있다.
본 발명은 특정 주파수들을 갖는 조화함수의 조합 형태로 모멘트를 기계 구조물에 가하여 뚜렷한 특징 벡터를 얻을 수 있고 출력 신호에 포함된 외부 잡음에 의해 결함 발생 위치 및 크기에 따른 출력 신호들이 갖는 차이가 뚜렷하지 않게 되는 것을 방지함으로써 결함 진단의 정확도를 높일 수 있다. 즉, 가진 모멘트에 의해 고유진동수 피크 값이 상승하여 외부 잡음의 세기가 크더라도 고유진동수 피크 값이 잡음의 영향에 묻히지 않게 되고, 결과적으로 가진 모멘트를 적용하지 않았을 때에 비해 결함 진단 정확도가 크게 증가할 수 있다.
도 1은 본 발명에 따른 기계 구조물의 결함 진단 시스템의 일 실시예의 블록도,
도 2는 본 발명에 따른 기계 구조물에 크랙이 구비된 것을 나타내는 측면도,
도 3 내지 도 6b는 본 발명에 따른 기계 구조물의 결함 진단 시스템을 설명하기 위해 도시된 예시도,
도 7은 본 발명에 따른 기계 구조물의 결함 진단 방법의 일 실시예의 흐름도.
이하에서는 첨부된 도면을 참조로 본 발명에 따른 기계 구조물의 결함 진단 시스템의 바람직한 실시예를 상세히 설명한다.
도 1은 본 발명에 따른 기계 구조물의 결함 진단 시스템의 일 실시예의 블록도이고, 도 2는 본 발명에 따른 기계 구조물의 크랙이 구비된 것을 나타내는 측면도이며, 도 3 내지 도 6b는 본 발명에 따른 기계 구조물의 결함 진단 시스템을 설명하기 위해 도시된 예시도이다.
본 발명에 따른 기계 구조물의 결함 진단 시스템(100)은, 도 1 내지 도 6b에 도시된 바와 같이 주파수 탐색부(110), 모멘트 가압부(120), 출력신호 획득부(130), 특징벡터 추출부(140), 결함 진단부(150) 및 결함 확인부(160)를 포함하여 이루어진다.
한편, 본 발명에서는 결함을 진단할 대상인 기계 구조물로 도 2에 도시된 바와 같이 하나의 크랙(crack)을 포함한 보(beam)로 모델링하여 크랙 발생여부와 크랙의 발생 위치 및 깊이를 진단한다. 도 2를 참조하면, 빔 모델링은 일측에 원형 형상의 고정단이 구비되고, 고정단으로부터 판재 형상의 보가 돌출 형성된다. 기계 구조물인 보는 길이가 L이며, 고정단으로부터 임의 위치(Xc)에 깊이가 Dc인 첨예한 한 개의 크랙이 존재한다. 기계 구조물 또는 보의 고정단은 반시계방향을 따라 각속도 Ω로 회전된다.
크랙이 구비된 기계 구조물 또는 보는 시간이 경과하면서 처짐이 발생된다. 이러한 기계 구조물 또는 보는 시간에 따른 처짐을 출력 신호로 사용하여 은닉 마르코프 모델과 인공 신경망으로 이루어진 복합모델에 적용시켜 기계 구조물의 결함 발생여부, 결함의 위치와 크기, 깊이를 확인할 수 있다.
한편, 외부 잡음의 세기가 클 경우 특징 벡터로 사용되는 기계 구조물의 고유진동수 피크 값이 잡음의 영향에 묻히는 현상이 발생하여 결함 진단 정확도가 크게 감소하는 것을 방지하기 위해, 본 발명에 따른 기계 구조물의 결함 진단 시스템(100)은 먼저 기계 구조물의 고유진동수를 조사하여 해당 주파수를 찾는다. 이를 위해, 주파수 탐색부(110)를 구비하는데, 주파수 탐색부(110)는 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색한다.
주파수 탐색부(110)에서는 진단하고자 하는 기계 구조물의 고유진동수를 조사하고, 그 고유 진동수에 해당하는 주파수를 획득한다. 여기서, 구해진 고유진동수 또는 해당 주파수는 출력 신호에 포함된 외부 잡음의 영향을 배제하기 위해서 사용된다. 즉, 구해진 고유진동수 또는 해당 주파수를 이용하여 출력 신호에 포함된 외부 잡음의 영향을 배제함으로써 기계 구조물 결함의 발생 위치 및 크기에 따라 출력신호들 간에 생기는 차이를 뚜렷하게 만들 수 있다.
모멘트 가압부(120)는 주파수 탐색부(110)에서 구해진 고유진동수 또는 해당 주파수를 갖는 모멘트(M)를 기계 구조물에 가한다. 보다 정확히 말하면, 모멘트 가압부(120)는 기계 구조물의 각 고유진동수 주파수를 갖는 2~4개의 조화함수(harmonic function) 조합 형태의 가진 모멘트를 진단하고자 하는 기계 구조물에 가한다.
모멘트 가압부(120)는 하기의 [수학식 1]과 같은 조화함수가 조합된 모멘트(M)를 기계 구조물에 가한다
[수학식 1]
Figure pat00003
[수학식 1]에서 f1, f2, f3, f4는 고유진동수들의 주파수이다. [수학식 1]에서 조화함수의 주파수들은 각각 기계 구조물의 2~5차 고유 진동수 값들을 사용하며, 그 이유는 이 가진 모멘트에 의해 기계 구조물의 2~5차 고유진동수의 피크(peak) 값들을 상승시켜서 기계 구조물의 고유진동수 피크값이 외부 잡음의 영향에 묻히는 것을 방지하기 위함이다.
상기한 바와 같이, 모멘트 가압부(120)에서 기계 구조물에 가해지는 모멘트(M)는 조화함수 형태로 이루어진다. 조화함수는 주기성을 가지고 연속적으로 반복되는 함수로, 라플라스 방정식을 만족하는 함수라고 정의할 수 있다.
이로 인해 잡음의 세기가 크더라도 기계구조물의 고유진동수의 피크 값이 뚜렷하여 결함 진단의 정확도를 향상시킬 수 있다.
모멘트 가압부(120)에 의해 기계 구조물에 가해지는 모멘트(M)는 피에조 구동기를 이용하여 가해진다. 피에조 구동기는 특정 방향으로 압력을 가하면 결정체의 표면에서 전기가 발생되는 성질을 이용한 것으로 압력계에서 사용되고, 폭발 등의 급격한 압력 변화 측정 등에 사용될 수 있다.
출력신호 획득부(130)는 기계 구조물로부터 출력신호를 획득한다. 즉, 모멘트 가압부(120)가 기계 구조물에 조화함수의 조합형태로 모멘트를 가한 후 기계 구조물에서 나오는 출력 신호가 출력신호 획득부(130)에서는 얻어진다.
출력신호 획득부(130)에서 획득되는 출력신호는 하기의 [수학식 2]와 같다.
[수학식 2]
Figure pat00004
[수학식 2]는 기계 구조물 해석 모델로부터 얻은 출력 신호(기계 구조물이 도 2에 도시된 빔인 경우에, 빔 끝단의 가속도 값)에 잡음(백색 노이즈)을 더하고, 출력 신호에 대한 잡음의 크기를 Signal to Noise Ratio(SNR)를 통해 나타낸 것이다. 즉, 출력신호에 대한 잡음 비율을 알기 위하여 위의 식과 같은 SNR값을 정의하였다. SNR값은(Signal Noise Ratio, SNR)로 잡음세기를 의미하고, 위 [수학식 2]에서의 P는 파워(Power), A는 변위진폭의 평균제곱근(root mean square)값을 뜻한다.
도 3에 도시된 바와 같이, 기계 구조물로부터 획득한 출력신호는 잡음을 더한 상태에서 출력신호에 대한 잡음의 크기를 잡음세기(SNR)로 나타낸다.
한편, 도 4는 빔 모델로부터 얻은 출력 신호를 FFT하여 특징 벡터(고유진동수 피크 값)를 추출하고 특징 벡터를 기호화하는 과정을 보여주는 도면이다. 우선 도 4의 첫 번째 그림은 학습 데이터(training data)를 얻는 과정을 보여준다. 보에서 크랙 진단영역을 크랙의 위치 방향과 깊이 방향으로 각각 8개로 나누어 64개 영역을 만들고, 크랙이 각 영역에 존재할 때 추출한 출력 신호들을 학습데이터로 사용한다. 이 때, 크랙의 위치와 깊이가 다를 경우 해당 출력 신호들간에 차이가 발생할 수 있다. 이와 같이 얻은 학습 데이터는 특징벡터 추출과정(도 4의 두 번째 그림)과 양자화 과정(미도시)을 거치는데, 이것을 전처리 과정(preprocessing)이라 한다. 특징 벡터 추출과정은 다음과 같으며 특징벡터 추출부(140)에서 이루어진다.
특징벡터 추출부(140)는 출력신호 획득부(130)에서 획득한 출력신호로부터 특징벡터(feature vector)를 추출한다.
특징벡터 추출부(140)는 기계 구조물로부터 획득한 출력신호를 FFT에 의해 주파수 영역으로 변환하여 특징벡터를 추출한다. FFT(Fast Fourier Transform, FFT)는 고속 푸리에 변환으로, 함수의 근사값을 계산하는 알고리즘이다.
특징벡터 추출부(130)에서 출력신호를 주파수 영역으로 변환하면 도 5a 및 도 5b와 같은 그래프와, 1~5차 고유진동수의 피크 값이 나타남을 알 수 있다. 특징벡터 추출부(130)에서는 이 5개의 고유진동수 피크 값을 특징벡터로 사용한다. 이 때, 크랙의 위치 및 크기에 따라서 이 고유진동수들의 피크 값이 다르므로 특징벡터로 사용하기에 적합하다.
도 5a는 SNR값이 비교적 작을 때, 즉 외부 잡음의 세기가 클 때의 고유진동수 피크 값들을 나타낸 그래프이다. 그래프를 참조하면, SNR값이 작아질수록 고유진동수 피크 값들이 잡음에 묻히는 것을 알 수 있다. 이러한 문제를 해결하기 위해서 상기 [수학식 1]과 같은 조화함수 조합 모멘트를 기계 구조물에 가한다.
도 5b는 기계 구조물 또는 보에 조화함수 조합 모멘트를 가한 뒤 출력 신호를 FFT한 그래프이다. 보의 1~5차 고유진동수들이 잘 나타나는 것을 알 수 있다.
그 다음은 상기에서 구한 특징 벡터를 기호로 변환하는 벡터 양자화 과정이 수행될 수 있다. 벡터 양자화 과정은 코드북(codebook)을 이용하여 특징 벡터를 기호열로 변환한다.
특징 벡터를 추출한 후에는 결함 진단부(150)에서 은닉 마르코프 모델(HMM)과 인공신경망(ANN)을 모두 적용하여 패턴 분류(pattern classification)가 이루어진다. 본 발명에서는 크랙 진단 정확도를 높이기 위해 은닉 마르코프 모델과 인공신경망을 동시에 적용한다. 해석 모델(즉, 도 2의 보)로부터 구한 특징벡터를 인공신경망을 이용하여 먼저 패턴 분류를 하고, 그 결과 값의 정보를 은닉 마르코프 모델 학습시 이용한다.
대상 기계 구조물(도 2의 보)에서 얻은 출력 신호를 FFT하여 1~5차 고유진동수에서의 피크 값을 구한다. 이 값들이 특징벡터가 된다. 다음은 5개 특징벡터 요소를 인공신경망을 이용하여 패턴 분류를 한다. 패턴 분류를 하여 얻은 결과값 2개를 앞서 얻었던 5개의 특징벡터 요소에 더하여 총 7개의 값을 가지고 Baum-Welch algorithm을 이용하여 은닉 마르코프 모델을 구성한다. 이 경우 인공신경망으로 진단한 결과의 정보를 은닉 마르코프 모델 구성시 특징벡터로 사용하기 때문에 단일 은닉 마르코프 모델을 이용하는 경우에 비해 진단 정확도를 높일 수 있다.
다시 설명해 보면, 결함 진단부(150)는 추출한 특징벡터를 이용하여 복합모듈로부터 기계 구조물의 결함을 진단한다. 결함 진단부(150)의 복합모듈은 앞서 설명한 은닉 마르코프 모델과 인공 신경망을 모두 적용하여 이루어진다. 은닉 마르코프 모델(Hidden Markov Model, HMM)은 음성인식분야에서 널리 사용되고, 최근에는 그 응용분야가 넓어져 패턴인식 방법을 이용하여 기계 시스템의 결함 진단에 쓰이고 있다. 인공 신경망(Artificial Neural Network, ANN)은 은닉 마르코프 모델(HMM)과 같이 음성인식과 문자 인식되면서 패턴 인식 기법으로 널리 사용된다.
결함 진단부(150)는 추출한 특징벡터를 인공 신경망(ANN)을 이용하여 먼저 패턴 분류를 시행하고, 그 결과를 은닉 마르코프 모델(HMM)의 학습 시 이용한다. 예를 들면, 추출한 특징벡터가 5개일 경우, 5개의 특징벡터를 인공 신경망(ANN)을 이용하여 패턴 분류를 실시한다. 5개의 특징벡터는 인공 신경망(ANN)으로 패턴 분류한 결과 2개가 추출된다. 이에 추출된 2개의 특징벡터는 앞서 추출한 5개의 특징벡터에 더하여 총 7개의 특징벡터를 가지고 은닉 마르코프 모델(HMM)로 구성된다. 이럴 경우 인공 신경망(ANN)으로 한번 진단한 결과를 은닉 마르코프 모델(HMM) 구성 시 특징벡터로 사용하기 때문에 단일 은닉 마르코프 모델(HMM)에 비해 기계 구조물의 결함 진단의 정확도가 향상된다.
결함 확인부(160)는 복합모듈로부터 진단된 결함의 위치와 크기를 확인한다. 기계 구조물은 결함 확인부에서 확인된 결함의 위치와 크기를 살펴본 후 결함에 맞게 용접과 같은 장비를 이용하여 처리한다.
도 6a 및 도 6b는 조화함수 조합 형태의 가진 모멘트를 적용한 경우와 적용하지 않은 경우의 SNR값에 따른 크랙 진단 확률을 보여 주는 그래프이다. 도 6a는 크랙 발생 여부에 대한 진단결과를 보여 주고, 도 6b는 크랙의 위치 및 크기에 대한 진단결과를 보여 준다.
도 6a은 64개 진단 영역의 총 진단 확률을 잡음세기 즉, SNR값에 따라 나타낸 것이다. 이 결과 가진 모멘트(M)를 가했을 때 진단 확률이 모멘트(M)를 가하지 않았을 때보다 상승한 것을 알 수 있으며, SNR값이 작을수록 진단확률이 감소함을 알 수 있다.
또한, 도 6b는 크랙의 위치 및 크기 진단결과를 보여 주는 것으로, SNR값에 따른 전체 진단 영역에서의 총 진단 확률을 나타낸 것이다. 이 결과를 보면 가진 모멘트(M)를 가했을 때가 모멘트(M)를 가하지 않았을 때보다 진단 확률이 크게 상승하는 것을 알 수 있다. SNR값이 작아질수록 진단확률이 감소하는 것은 도 6a와 유사하다.
한편, 일정한 SNR값에서 크랙 위치에 따른 진단확률에는 큰 차이가 없음을 알 수 있었다. 이러한 결과를 통해 풍력 터빈의 블레이드와 같은 기계 구조물 내에 크랙 위치는 진단 확률에 큰 영향을 미치지 않음을 알 수 있다.
이하에서는 첨부된 도면을 참조로 본 발명에 따른 기계 구조물의 결함 진단 방법의 바람직한 실시예를 상세히 설명한다.
도 7은 본 발명에 따른 기계 구조물의 결함 진단 방법의 일 실시예의 흐름도이다.
주파수를 탐색하는 단계(S100)는 기계 구조물의 결함 진단 시스템의 주파수 탐색부(110)에서, 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색한다. 이는 기계 구조물 결함의 발생 위치 및 크기에 따라 출력신호들 간에 차이가 있기 때문이다.
모멘트(M)를 가하는 단계(S200)는 기계 구조물의 결함 진단 시스템의 모멘트 가압부(120)에서, 탐색된 주파수를 갖는 모멘트(M)를 기계 구조물에 가한다.
출력신호를 획득한 단계(S300)는 기계 구조물의 결함 진단 시스템의 출력신호 획득부(130)에서, 기계 구조물로부터 출력신호를 획득한다.
특징벡터를 추출하는 단계(S400)는 기계 구조물의 결함 진단 시스템의 특징벡터 추출부(140)에서, 획득한 출력신호로부터 특징벡터를 추출한다.
결함을 진단하는 단계(S500)는 기계 구조물의 결함 진단 시스템의 결함 진단부(150)에서, 추출한 특징벡터를 이용하여 복합모듈로부터 기계 구조물의 결함을 진단한다.
결함의 위치와 크기를 확인하는 단계(S600)는 기계 구조물의 결함 진단 시스템의 결함 확인부(160)에서, 복합모듈로부터 진단된 결함의 위치와 크기를 확인한다.
본 발명에 따른 본 발명에 따른 기계 구조물의 결함 진단 방법의 각 단계는 상기한 기계 구조물의 결함 진단 시스템(100)의 각 구성요소에 대한 설명과 유사하다.
상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 단계(S200)에서는 상기 기계 구조물의 각 고유진동수 주파수를 갖는 2~4개의 조화함수 조합 형태의 가진 모멘트를 진단하고자 하는 상기 기계 구조물에 가한다.
여기서, 상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 단계(S200)에서는 상기한 [수학식 1]
Figure pat00005
로 표현되는 모멘트를 상기 기계 구조물에 가한다.
상기 출력신호로부터 특징벡터를 추출하는 단계(S400)에서는 상기 출력신호를 주파수 영역으로 변환하여 1~5차 고유진동수의 피크 값을 구하고, 상기 5개의 고유진동수 피크 값을 상기 특징벡터로 사용한다.
또한, 상기 출력신호로부터 특징벡터를 추출하는 단계(S400)에서는 상기 특징벡터를 기호로 변환하는 벡터 양자화 과정을 수행할 수 있다.
본 발명에 따른 기계 구조물의 결함 진단 방법 중 상기 기계 구조물의 결함을 진단하는 단계(S500)에서는 상기 특징벡터 요소를 인공신경망을 이용하여 패턴 분류를 하고, 상기 패턴 분류를 하여 얻은 결과값을 상기 특징벡터 요소에 더한 값을 이용하여 은닉 마르코프 모델을 구성할 수 있다.
앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는, 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.
100 : 기계 구조물 결함 진단 시스템 110 : 주파수 탐색부
120 : 모멘트 가압부 130 : 출력신호 획득부
140 : 특징벡터 추출부 150 : 결함 진단부
160 : 결함 확인부

Claims (12)

  1. 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색하는 주파수 탐색부;
    탐색된 상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 모멘트 가압부;
    상기 기계 구조물로부터 출력신호를 획득하는 출력신호 획득부;
    획득한 상기 출력신호로부터 특징벡터를 추출하는 특징벡터 추출부;
    추출한 상기 특징벡터를 이용하여 복합모듈로부터 상기 기계 구조물의 결함을 진단하는 결함 진단부; 및
    상기 복합모듈로부터 진단된 결함의 위치와 크기를 확인하는 결함 확인부;
    를 포함하여 이루어진 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  2. 제1항에 있어서,
    상기 모멘트 가압부의 상기 모멘트는 조화함수의 조합형태로 이루어진 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  3. 제2항에 있어서,
    상기 모멘트의 상기 조화함수는 수학식
    Figure pat00006
    로 나타내는 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  4. 제1항에 있어서,
    상기 모멘트 가압부는 상기 기계 구조물의 각 고유진동수 주파수를 갖는 2~4개의 조화함수 조합 형태의 가진 모멘트를 진단하고자 하는 상기 기계 구조물에 가하는 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  5. 제1항에 있어서,
    상기 출력신호 획득부의 상기 출력신호는 수학식
    Figure pat00007
    에 따라 잡음의 상대적 세기를 알 수 있는 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  6. 제1항에 있어서,
    상기 출력신호 획득부는 상기 기계 구조물로부터 획득한 출력신호를 FFT하여 상기 출력신호를 주파수 영역으로 변환하고 1~5차 고유진동수의 피크 값을 구하여 상기 고유진동수 피크 값을 상기 특징벡터로 사용하는 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  7. 제1항에 있어서,
    상기 결함 진단부의 상기 복합모듈은 은닉 마르코프 모델과 인공 신경망을 모두 적용하여 이루어진 것을 특징으로 하는 기계 구조물 결함 진단 시스템.
  8. 기계 구조물의 결함 진단 시스템의 주파수 탐색부에서 기계 구조물의 고유진동수를 조사하여 해당 주파수를 탐색하는 단계;
    기계 구조물의 결함 진단 시스템의 모멘트 가압부에서 탐색된 상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 단계;
    기계 구조물의 결함 진단 시스템의 출력신호 획득부에서 상기 기계 구조물로부터 출력신호를 획득하는 단계;
    기계 구조물의 결함 진단 시스템의 특징벡터 추출부에서 획득한 상기 출력신호로부터 특징벡터를 추출하는 단계;
    기계 구조물의 결함 진단 시스템의 결함 진단부에서 추출한 상기 특징벡터를 이용하여 복합모듈로부터 상기 기계 구조물의 결함을 진단하는 단계; 및
    기계 구조물의 결함 진단 시스템의 결함 확인부에서 상기 복합모듈로부터 진단된 결함의 위치와 크기를 확인하는 단계;
    를 포함하여 이루어진 것을 특징으로 하는 기계 구조물의 결함 진단 방법.
  9. 제8항에 있어서,
    상기 주파수를 갖는 모멘트를 상기 기계 구조물에 가하는 단계에서는 상기 기계 구조물의 각 고유진동수 주파수를 갖는 2~4개의 조화함수 조합 형태의 가진 모멘트를 진단하고자 하는 상기 기계 구조물에 가하는 것을 특징으로 하는 기계 구조물의 결함 진단 방법.
  10. 제8항에 있어서,
    상기 출력신호로부터 특징벡터를 추출하는 단계에서는 상기 출력신호를 주파수 영역으로 변환하여 1~5차 고유진동수의 피크 값을 구하고, 상기 5개의 고유진동수 피크 값을 상기 특징벡터로 사용하는 것을 특징으로 하는 기계 구조물의 결함 진단 방법.
  11. 제10항에 있어서,
    상기 출력신호로부터 특징벡터를 추출하는 단계에서는 상기 특징벡터를 기호로 변환하는 벡터 양자화 과정을 수행하는 것을 특징으로 하는 기계 구조물의 결함 진단 방법.
  12. 제8항 내지 제11항 중 어느 한 항에 있어서,
    상기 기계 구조물의 결함을 진단하는 단계에서는 상기 특징벡터 요소를 인공신경망을 이용하여 패턴 분류를 하고, 상기 패턴 분류를 하여 얻은 결과값을 상기 특징벡터 요소에 더한 값을 이용하여 은닉 마르코프 모델을 구성하는 것을 특징으로 하는 기계 구조물의 결함 진단 방법.
KR1020140026212A 2014-03-05 2014-03-05 기계 구조물의 결함 진단 시스템 및 그 방법 KR20150104459A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140026212A KR20150104459A (ko) 2014-03-05 2014-03-05 기계 구조물의 결함 진단 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140026212A KR20150104459A (ko) 2014-03-05 2014-03-05 기계 구조물의 결함 진단 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20150104459A true KR20150104459A (ko) 2015-09-15

Family

ID=54244173

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140026212A KR20150104459A (ko) 2014-03-05 2014-03-05 기계 구조물의 결함 진단 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR20150104459A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102142540B1 (ko) * 2019-04-25 2020-08-07 군산대학교산학협력단 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법
KR20200113315A (ko) 2019-03-25 2020-10-07 금오공과대학교 산학협력단 구조물의 실시간 결함 진단 및 예방 방법
KR20220086088A (ko) * 2020-12-16 2022-06-23 세종대학교산학협력단 Gnn을 이용한 교량 구조물의 모니터링 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200113315A (ko) 2019-03-25 2020-10-07 금오공과대학교 산학협력단 구조물의 실시간 결함 진단 및 예방 방법
KR102142540B1 (ko) * 2019-04-25 2020-08-07 군산대학교산학협력단 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법
KR20220086088A (ko) * 2020-12-16 2022-06-23 세종대학교산학협력단 Gnn을 이용한 교량 구조물의 모니터링 방법 및 장치

Similar Documents

Publication Publication Date Title
Kaewniam et al. Recent advances in damage detection of wind turbine blades: A state-of-the-art review
Marwala Condition monitoring using computational intelligence methods: applications in mechanical and electrical systems
CN103076394B (zh) 基于振动识别频率和振型综合的海洋平台安全评定的方法
US20150168352A1 (en) Laser ultrasonic imaging system for a rotating object and method thereof
WO2010130144A1 (zh) 一种结构损伤检测系统、设备以及结构损伤检测方法
KR101711606B1 (ko) 유사도 기반 해양 구조물 손상 추정 방법
Doliński et al. Detection of Delamination in Laminate Wind Turbine Blades Using One‐Dimensional Wavelet Analysis of Modal Responses
Samali et al. Location and severity identification of notch-type damage in a two-storey steel framed structure utilising frequency response functions and artificial neural network
Janeliukstis Continuous wavelet transform-based method for enhancing estimation of wind turbine blade natural frequencies and damping for machine learning purposes
KR101579732B1 (ko) 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법
KR20170067292A (ko) 기계 시스템의 잔여 수명 예측 장치 및 방법
KR20150104459A (ko) 기계 구조물의 결함 진단 시스템 및 그 방법
Wang et al. Identification of engine faults based on acoustic emission signals using a 1DCNN-ViT ensemble model
Zhang et al. Hidden Markov models for pipeline damage detection using piezoelectric transducers
Wu et al. Crack diagnosis method for a cantilevered beam structure based on modal parameters
Vamvoudakis-Stefanou et al. Random vibration response-only damage detection for a set of composite beams
Bocharova et al. On a defect identification method based on monitoring the structure and peculiarities of surface wave fields
Bayik et al. Experimental modelling of a top-tensioned riser for vibration-based damage detection
Zhao et al. Damage detection of wind turbine blade based on wavelet analysis
Montalvao A modal-based contribution to damage location in laminated composite plates
KR20140024942A (ko) 회전 구조물의 레이저 초음파 영상화 방법 및 장치
Tsiapoki et al. Combining a vibration-based SHM scheme and an airborne sound approach for damage detection on wind turbine rotor blades
Oruganti et al. Vibration-based analysis of damage in composites
Liu et al. Damage localization of marine risers using time series of vibration signals
Yang et al. Wind-turbine blade inspection using impact-sounding module and acoustic analysis

Legal Events

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