KR20180035549A - apparatus and method for evaluating fault risk index of a rotator - Google Patents

apparatus and method for evaluating fault risk index of a rotator Download PDF

Info

Publication number
KR20180035549A
KR20180035549A KR1020160125788A KR20160125788A KR20180035549A KR 20180035549 A KR20180035549 A KR 20180035549A KR 1020160125788 A KR1020160125788 A KR 1020160125788A KR 20160125788 A KR20160125788 A KR 20160125788A KR 20180035549 A KR20180035549 A KR 20180035549A
Authority
KR
South Korea
Prior art keywords
factor
model
failure
risk
occurrence
Prior art date
Application number
KR1020160125788A
Other languages
Korean (ko)
Other versions
KR102365772B1 (en
Inventor
김동환
김연환
이두영
윤병동
정준하
김명연
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020160125788A priority Critical patent/KR102365772B1/en
Publication of KR20180035549A publication Critical patent/KR20180035549A/en
Application granted granted Critical
Publication of KR102365772B1 publication Critical patent/KR102365772B1/en

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/04—Manufacturing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 회전체 고장 발생 위험도 지수 평가 장치에 관한 것으로, 본 발명에 따른 고장 발생 위험도 지수 평가 장치는 고장 유형별로 정의된 제1 건전성 인자 결과값 이력 정보를 이용하여 기본 모델을 생성하고, 실시간으로 수신받은 진동 신호에 대한 제2 건전성 인자 결과값을 이용하여 가변 모델을 생성하는 위험도 지수 모델 생성부; 상기 제2 건전성 인자 결과값을 이용하여 상기 기본 모델의 실시간 오차를 연산하는 연산부; 상기 기본 모델의 실시간 오차 범위가 미리 결정된 기준값을 초과하면 상기 위험도 지수 모델 생성부로 하여금 상기 제2 건전성 인자 결과값을 이용하여 가변 모델을 생성하도록 하는 제어부; 및 상기 기본 모델 및 상기 가변 모델을 분석하여 고장 발생 위험도에 대한 지수를 제공하는 결과 산출부를 포함한다.The present invention relates to a device for evaluating the risk of occurrence of a breakdown failure, and a device for evaluating the risk of occurrence of a failure according to the present invention generates a basic model using the first integrity factor result value history information defined for each failure type, A risk exponent model generating unit for generating a variable model using a second soundness factor result value of the received vibration signal; A computation unit for computing a real time error of the basic model using the second soundness factor result; A controller for causing the risk index model generating unit to generate a variable model using the second soundness factor result value if the real time error range of the basic model exceeds a predetermined reference value; And a result calculation unit for analyzing the basic model and the variable model to provide an index of the risk of occurrence of a failure.

Description

회전체 설비 고장발생 위험도 지수 평가 장치 및 그 방법{apparatus and method for evaluating fault risk index of a rotator}BACKGROUND OF THE INVENTION 1. Field of the Invention [0001]

본 발명은 회전체 설비 고장발생 위험도 지수 평가 장치 및 그 방법에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention [0001] The present invention relates to an apparatus and method for evaluating the risk of occurrence of a failure in a rotating equipment facility.

대형 화력발전소 회전체 설비(기·가스터빈, 보일러 주급수 펌프, CID-팬 등)는 기기의 특성상 기계적 진동이 유발되기 때문에, 통상적으로 진동신호의 크기 및 주파수를 사용하여 대상 설비의 감시 및 이상 유무를 판단하고 설비보전을 하고 있다. 최근에는 계획/예방 보전을 위한 진단 기술이 발전하면서 설비 상태를 수동적으로 감시하고 진단하는 단계를 벗어나 이에 대한 자동화 기법이 개발되고 있으며, 이에 대한 자동화 기법에서 더 나아가 설비 고장의 상태변화를 분석하기 위한 기술 개발도 활발히 이루어지고 있다. 특히, 회전체 설비 고장의 상태변화를 추측하는 방법들은 일반적으로 과거 진동값과 현재 진동값의 기울기를 직선 혹은 지수함수로 연장하여 수동적으로 변화를 평가하고 있다. 이러한 상태변화 추측 방법들은 정적 설비에 적용되고 있는 누적 손상 모델의 개념을 적용한 것이 대부분이며, 회전체 설비에 적용할 경우, 정적 설비와 다르게 신호가 주변 환경에 민감하게 반응하여 변하기 때문에 고장의 상태변화 분석모델의 일반화가 어려워 실적용하기 어렵고, 설비 고장 유형도 여러가지 형태로 발생되기 때문에 단순 진동값을 이용한 분석기법은 고장의 상태변화에 대한 추상적인 정보만 제공한다. 또한, 대용량의 진동 데이터에 있는 정보를 실시간으로 분석하여 회전체 설비의 상태변화를 자동으로 분석하기에는 부적합한 방법이 대부분이다. Since large-scale thermal power plant rotating equipment (gas turbine, boiler main feed pump, CID-fan, etc.) causes mechanical vibration due to the characteristics of the equipment, And the facility is being conserved. In recent years, automation techniques have been developed beyond the passive monitoring and diagnosis of facility status as the diagnosis technology for plan / preventive maintenance is developed. In addition to this, automation techniques are being developed to analyze the state change of equipment failure Technology development is also actively being carried out. In particular, methods for estimating the state change of the failure of the rotating equipment are generally evaluated passively by extending the slope of the past vibration value and the current vibration value to a straight line or exponential function. These state change estimation methods apply most of the concept of cumulative damage model applied to static facilities. When applied to a rotating facility, unlike static facilities, signals vary in sensitivity to the surrounding environment. Therefore, Since the analysis model is difficult to generalize because it is difficult to generalize the analysis model, and the equipment failure type also occurs in various forms, the analytical method using the simple vibration value only provides abstract information about the state change of the failure. In addition, most of the methods are not suitable for automatically analyzing the information on the large-capacity vibration data in real time and automatically analyzing the state change of the rotating equipment.

본 발명은 상기와 같은 문제점을 감안하여 이루어진 것으로, 회전체 설비에서 진동 신호를 취득하여 특성인자를 추출하고, 고장 유형별로 위험도를 정량화할 수 있는 건전성 인자를 선별하는 것을 목적으로 한다. SUMMARY OF THE INVENTION The present invention has been made in view of the above problems, and it is an object of the present invention to select a sound factor capable of acquiring a vibration signal and extracting a characteristic factor in a rotating equipment and quantifying the risk by a failure type.

또한, 본 발명은 실시간으로 건전성 인자 분석을 통해 고장 발생 위험도 지수 기본모델 및 가변모델을 생성하고 이를 기반으로 자동으로 회전체 설비의 고장 유형별 발생 위험도 지수를 산출하여 평가할 수 있는 분석 장치 및 방법을 제공하는 것을 목적으로 한다.Also, the present invention provides an analyzing apparatus and method capable of generating a failure occurrence index index basic model and a variable model through analysis of a prudent factor in real time, and automatically calculating a risk index for each breakdown type .

상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 장치는 고장 유형별로 정의된 제1 건전성 인자 결과값 이력 정보를 이용하여 기본 모델을 생성하고, 실시간으로 수신받은 진동 신호에 대한 제2 건전성 인자 결과값을 이용하여 가변 모델을 생성하는 위험도 지수 모델 생성부; 상기 제2 건전성 인자 결과값을 이용하여 상기 기본 모델의 실시간 오차를 연산하는 연산부; 상기 기본 모델의 실시간 오차 범위가 미리 결정된 기준값을 초과하면 상기 위험도 지수 모델 생성부로 하여금 상기 제2 건전성 인자 결과값을 이용하여 가변 모델을 생성하도록 하는 제어부; 및 상기 기본 모델 및 상기 가변 모델을 분석하여 고장 발생 위험도에 대한 지수를 제공하는 결과 산출부를 포함한다.According to an aspect of the present invention, there is provided an apparatus for evaluating a risk of occurrence of an occurrence index, comprising: a basic model generating unit for generating a basic model by using first positive factor result value history information defined for each failure type; A risk exponent model generating unit for generating a variable model using the second soundness factor result value of the vibration signal received; A computation unit for computing a real time error of the basic model using the second soundness factor result; A controller for causing the risk index model generating unit to generate a variable model using the second soundness factor result value if the real time error range of the basic model exceeds a predetermined reference value; And a result calculation unit for analyzing the basic model and the variable model to provide an index of the risk of occurrence of a failure.

한편, 본 발명의 다른 실시예에 따른 고장 발생 위험도 지수 평가 방법은, 외부 센서로부터 실시간으로 진동 신호를 수신받아 고장 유형별로 제2 건전성 인자 결과값을 생성하는 단계; 상기 제2 건전성 인자 결과값을 이용하여, 고장 유형별로 정의된 제1 건전성 인자 결과값 이력 정보로 생성된 기본 모델에 대한 실시간 오차를 연산하는 단계; 상기 실시간 오차 범위가 미리 결정된 기준값을 초과하면 상기 제2 건전성 인자 결과값을 이용하여 가변모델을 생성하는 단계; 및 상기 가변 모델 및 상기 기본 모델을 실시간으로 비교 분석하여 고장 발생 위험도에 대한 지수를 산출하는 단계를 포함한다. According to another aspect of the present invention, there is provided a method for evaluating a risk of occurrence of a fault, the method comprising: receiving a vibration signal in real time from an external sensor and generating a second integrity factor result value for each failure type; Calculating a real-time error for the basic model generated from the first health factor result value history information defined for each failure type, using the second health factor result value; Generating a variable model using the second soundness factor result value if the real-time error range exceeds a predetermined reference value; And comparing the variable model and the basic model in real time to calculate an index of the risk of failure occurrence.

본 발명에 의하면, 회전체의 운전 중 취득되는 진동 신호에 대응하여 고장 유형별로 건전성 인자를 실시간으로 계산하고 정량화하는 과정을 거쳐 고장발생 가능 시기를 추적할 수 있는 모델을 생성할 수 있다. 또한, 본 발명에 의하면, 기본모델과 가변모델을 현장에 적용함으로써 설비 담당자에게 이상상태 변화를 왜곡 없이 전달하여 관련 설비의 사고 감소와 안전성을 향상시킬 수 있다.According to the present invention, it is possible to generate a model capable of tracking failure occurrence timing by calculating and quantifying the health factor in real time according to the type of failure corresponding to the vibration signal acquired during operation of the rotating body. Further, according to the present invention, by applying the basic model and the variable model to the field, it is possible to transmit the change of the abnormal state to the facility manager without distortion, thereby improving the accident reduction and safety of the related equipment.

도 1a는 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 장치의 구성도이다.
도 1b는 본 발명의 일 실시예에 따른 저장부의 간략한 내부 구성도이다.
도 2는 진동 신호 특성 인자를 예시적으로 도시한다.
도 3은 진동 신호 특성 인자를 기반으로 생성된 건전성 인자를 예시적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 방법의 간략한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 중의 가변 모델 생성 방법의 간략한 순서도이다.
도 6은 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 모델의 실시간 화면을 예시적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 모델 이력 조회 화면을 예시적으로 도시한다. FIG. 1A is a configuration diagram of a failure occurrence risk index evaluating apparatus according to an embodiment of the present invention. FIG.
1B is a simplified internal configuration diagram of a storage unit according to an embodiment of the present invention.
2 shows an exemplary vibration signal characteristic factor.
3 exemplarily shows the soundness factor generated based on the vibration signal characteristic factor.
4 is a simplified flowchart of a failure occurrence risk index evaluation method according to an embodiment of the present invention.
5 is a simplified flowchart of a method for generating a variable model during the evaluation of the failure occurrence risk index according to an embodiment of the present invention.
FIG. 6 exemplarily shows a real-time screen of a failure occurrence risk index evaluation model according to an embodiment of the present invention.
FIG. 7 exemplarily shows a failure occurrence risk index evaluation model history inquiry screen according to an embodiment of the present invention.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.BRIEF DESCRIPTION OF THE DRAWINGS The present invention is capable of various modifications and various embodiments, and specific embodiments are illustrated in the drawings and described in detail in the detailed description. It is to be understood, however, that the invention is not to be limited to the specific embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS In the following description of the present invention, detailed description of known related arts will be omitted when it is determined that the gist of the present invention may be blurred.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used in this application is used only to describe a specific embodiment and is not intended to limit the invention. The singular expressions include plural expressions unless the context clearly dictates otherwise. In the present application, the terms "comprises" or "having" and the like are used to specify that there is a feature, a number, a step, an operation, an element, a component or a combination thereof described in the specification, But do not preclude the presence or addition of one or more other features, integers, steps, operations, elements, components, or combinations thereof.

이하, 본 발명에 따른 실시 예들을 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. Referring to the accompanying drawings, the same or corresponding components are denoted by the same reference numerals, .

도 1a는 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 장치(100)의 구성도를 나타낸다. FIG. 1A shows a configuration diagram of an apparatus 100 for evaluating a risk of occurrence of a risk index according to an embodiment of the present invention.

도 1a에 도시된 바와 같이, 본 발명에 따른 고장 발생 위험도 지수 평가 장치(100)는 수신부(101), 저장부(102), 연산부(104), 제어부(106), 모델 생성부(108), 결과 산출부(110)를 포함할 수 있다. 1A, a fault occurrence risk index evaluating apparatus 100 according to the present invention includes a receiving unit 101, a storage unit 102, an operation unit 104, a control unit 106, a model generating unit 108, And a result calculation unit 110.

또한, 도 1b에는 저장부(102)의 간략한 내부 구성도가 도시되어 있다. 저장부(102)는 특성인자 저장부(112), 건전성 인자 저장부(114), 기본모델 저장부(116) 및 가변모델 저장부(118)를 포함한다. 1B shows a simplified internal structure of the storage unit 102. As shown in FIG. The storage unit 102 includes a characteristic parameter storage unit 112, a prudence factor storage unit 114, a basic model storage unit 116, and a variable model storage unit 118.

우선, 수신부(101)는 외부 센서로부터 실시간으로 진동 실파형 정보를 수신한다. 외부 센서는 예를 들어, 특정 회전체 설비에 설치된 변위 센서일 수 있다. First, the receiving unit 101 receives vibration real waveform information from an external sensor in real time. The external sensor may be, for example, a displacement sensor installed in a specific rotating facility.

또한, 저장부(102) 중 특성인자 저장부(112)에는 기본적인 진동 신호 기반의 특성인자가 저장되어 있고, 건전성 인자 저장부(114)에는 상기 특성인자를 기반으로 미리 설정되어 있는 건전성 인자가 고장 유형별로 저장되어 있다. 진동 신호 기반의 특성인자로는 예를 들어, 시간 영역에서는 Max, 기울기, RMS, 첨도, 파고율, 형상 계수, 임펄스 계수 등이 포함될 수 있다. 또한, 진동 신호 기반의 특성인자로는 예를 들어, 주파수 영역에서는 궤도형상 장단축 비율이 포함될 수 있다. 또한, 특성인자 기반으로 미리 설정되어 있는 건전성 인자로는 예를 들어, 질량불평형, 접촉마모, 오정렬 및 오일 휠(오일 분포 불균형에 따른 문제)이 포함될 수 있다. 저장부(102)에는 이러한 진동 신호 기반의 특성인자 및 건전성 인자가 저장되어 있다.In addition, a basic vibration signal-based characteristic factor is stored in the characteristic parameter storage unit 112 of the storage unit 102, and a sound factor preset in the sound factor storage unit 114 based on the characteristic factor is broken It is stored by type. For example, Max, slope, RMS, kurtosis, crest factor, shape coefficient, impulse coefficient, and the like may be included in the characteristic factor based on the vibration signal. Also, as a characteristic factor based on the vibration signal, for example, in the frequency domain, the orbit shape shortening ratio may be included. In addition, the prerequisite prerequisite factors based on the characteristic factors may include, for example, mass unbalance, contact wear, misalignment and oil wheels (problems due to oil distribution imbalance). The storage unit 102 stores characteristic factors and soundness factors based on the vibration signals.

또한, 저장부(102)의 특성인자 저장부(112)에는 회전체 설비에 설치된 센서로부터 실시간으로 수신된 진동 실파형 정보가 회전체의 회전 1 cycle에 대하여 데이터 샘플링이 된 후 시간/주파수 영역으로 정의된 특성인자에 따라 계산된 값이 저장된다. 또한, 저장부(102)의 건전성 인자 저장부(114)에는 계산된 특성 인자를 이용하여 생성된 건전성 인자의 이력 정보를 저장한다. 이 때, 건전성 인자의 이력 정보는 건전성 인자의 결과값과 시간변수를 포함할 수 있다. 저장부(102)에는 생성된 건전성 인자를 특성 인자와 함께 동기화하여 저장된다. 또한, 저장부(102)의 기본 모델 저장부(116)에는 회전체 고장 유형별로 고장발생 위험도를 정량화할 수 있는 시간대별 건전성 인자 이력 정보를 이용하여 생성된 고장발생 위험도 지수 모델(기본모델)을 저장한다. 이 기본모델은 고장 유형별로 대응되는 건전성 인자 이력 추이를 반영하여 구축되는 것이다. In the characteristic parameter storage unit 112 of the storage unit 102, the vibration real waveform information received in real time from the sensor installed in the rotating equipment is subjected to data sampling for one rotation cycle of the rotating body, The calculated value is stored according to the defined characteristic factor. Also, the prudence factor storage unit 114 of the storage unit 102 stores the history information of the prime factor generated using the calculated characteristic factor. At this time, the history information of the prime factor may include the resultant value of the prime factor and the time variable. In the storage unit 102, the generated health factors are stored in synchronization with the characteristic factors. In addition, the basic model storage unit 116 of the storage unit 102 stores a failure occurrence risk index model (basic model) generated by using time-based sound factor history information capable of quantifying the risk of occurrence of failures for each type of failure . This basic model is constructed to reflect the history of the corresponding factor history for each type of failure.

연산부(104)는 생성된 기본모델에 건전성 인자 이력정보의 시간을 입력변수로 전달하여 결과값(추측값)을 산출하고, 결과값과 해당 시간에 실제 대응되는 건전성 인자의 실제값(실제결과값)의 차이인 건전성 인자 기존오차(Δy)를 계산하고, 기존오차(Δy)에 대한 분포도를 추가로 생성한다. The arithmetic unit 104 transmits the time of the prime factor history information to the generated basic model as an input variable to calculate a result value (speculative value), and calculates the actual value of the prime factor ) Is calculated, and a distribution map for the existing error (? Y) is additionally generated.

또한, 연산부(104)는 실시간으로 전달받은 실파형 진동 신호를 이용하여 연산하여 시간 순으로 건전성 인자 저장부(114)에 저장된 건전성 인자들 중 최근 데이터를 중심으로 약 30개 이상(사용자 설정)의 건전성 인자와 개별적으로 생성된 시간 변수들을 기본모델에 입력하여 이에 대응하는 결과값(추측값: 건전성 인자 값)을 산출한다. 실시간 결과값은 0~1(고장 발생시점)까지의 값을 가진다. 고장 발생 위험도 기본모델의 결과값이 1에 가까울수록, 그리고 고장 발생시점의 추측시간과 현재 건전성 인자의 결과값의 시간 차이가 적을수록 회전 설비의 고장발생 경향성이 높아진다는 것을 의미한다. The arithmetic unit 104 calculates the number of the soundness factors stored in the soundness factor storage unit 114 based on the latest data of the soundness factors stored in the soundness factor storage unit 114, The prime factors and the individually generated time variables are input to the base model and the corresponding result (guess value: prime factor) is calculated. The real-time result value has a value from 0 to 1 (failure occurrence point). Risk of failure The more the result value of the basic model is closer to 1, and the less the time difference between the estimated time of the fault occurrence and the result of the current soundness factor, the higher the fault occurrence tendency of the rotating equipment becomes.

또한, 연산부(104)는 기본모델에 대한 결과값을 측정하고 일정 시간이 흐른후 '기본모델에 대한 결과값(추측값) - 초기 실파형 진동 신호에 대한 건전성 인자 대응 결과값'의 실시간 오차(Δy0)를 연산한 후, 기본모델 분포도(Δy 분포도)에 베이지안 추론법을 적용하여 가변모델 생성여부를 판단한다. 즉, 연산부(104)는 건전성 인자의 실시간 오차(Δy0)의 본포도가 기본모델 분포도의 경향과 유사한지 베이지안 추론 기법(수식 (1) 참조)을 통해 판단하며, 사용자의 설정한 분포도의 좌우영역 한계점을 초과하는 지 여부를 판단한다. The arithmetic unit 104 measures the result of the basic model and calculates a real-time error of the resultant value of the basic model (estimated value) versus the resultant value of the soundness factor for the initial real-waved vibration signal after calculating the Δy 0), applying a Bayesian inference method in the base model distribution (distribution Δy) to determine whether the variable model generation. That is, the calculation unit 104 determines the gravity of the soundness factor (Δy 0 ) of the soundness factor through the Bayesian inference technique (see Equation (1)) similar to the tendency of the basic model distribution chart, It is determined whether or not the area limit point is exceeded.

Figure pat00001
...수식(1)
Figure pat00001
... (1)

도 5를 참조하면, 연산부(104)는 건전성 인자 기존오차 (Δy)의 분포도에서 평균 (

Figure pat00002
), 표준편차 (
Figure pat00003
)의 값과, 최근 데이터 중심으로 연산되는 건전성 인자 실시간 오차 (Δy0)의 데이터 수 (M), M의 평균(
Figure pat00004
)과 표준편차(
Figure pat00005
)를 사용하여 기존오차 분포도에 대해서 새로운 분포도 (사후 분포도)를 형성한다(사후 분포도의 평균은
Figure pat00006
, 표준편차는
Figure pat00007
로 구분됨, 베이지안 추론). 연산부(104)는 기존 Δy 분포 범위를 벗어나는 기준은 2가지로 정의하는데, 이는 실시간 건전성 인자 정보가 반영된 y의 사후분포가 좌/우로 치우치거나 분산이 커져 분포형태가 넓어지는 경우로 분류하되, 건전성 인자의 실시간 오차(Δy0)를 이용하여 생성된 사후분포도의 오차 범위가 기본모델의 건전성 인자 기존오차 (Δy)의 분포도의 미리 결정된 값을 초과하는지 여부로 판단될 수 있다.Referring to FIG. 5, the calculation unit 104 calculates an average (?
Figure pat00002
), Standard Deviation (
Figure pat00003
), The number of data (M) of the reliability factor real-time error (? Y 0 ) calculated based on the recent data center, the average of M
Figure pat00004
) And standard deviation (
Figure pat00005
) To form a new distribution (post distribution) for the existing distribution of errors (the mean of the post distribution is
Figure pat00006
, The standard deviation is
Figure pat00007
, Bayesian inference). The operation unit 104 defines two criteria that deviate from the existing Δy distribution range, that is, the case where the posterior distribution of y reflecting the real-time soundness factor information shifts to the left / right, a real-time quality error margin of error of the post-distribution diagram generated by a (Δy 0) of the parameter can be determined by whether or not exceed the predetermined value of the distribution of the quality factor existing error (Δy) of the base model.

제어부(106)는 모델 생성부(108)로 하여금 회전체 고장 유형별로 고장발생 위험도를 정량화할 수 있는 시간대별 건전성 인자 이력 정보를 이용하여 고장발생 위험도 지수 모델(기본모델)을 생성하도록 한다. 또한, 제어부(106)는 연산부(104)에서 사후분포도의 기본 모델의 기존오차(Δy)의 분포도에 대한 오차 범위가 미리 결정된 값을 초과한다고 판단하면, 모델 생성부(108)로 하여금 가변 모델을 생성하도록 한다.The control unit 106 causes the model generating unit 108 to generate a failure occurrence risk index model (basic model) by using the time-by-period soundness factor history information capable of quantifying the risk of failure occurrence for each type of rotor failure. If the control unit 106 determines that the error range of the distribution of the existing error? Y of the basic model of the post-distribution diagram exceeds the predetermined value, the control unit 106 causes the model generation unit 108 to generate the variable model Respectively.

모델 생성부(108)는 건전성 인자 저장부(114)에 저장된 회전체 고장 유형별로 고장발생 위험도를 정량화할 수 있는 건전성 인자 이력 정보를 이용하여 고장발생 위험도 지수 모델(기본모델)을 생성한다. 이 기본 모델은 고장 유형별로 대응되는 건전성 인자 이력 추이를 반영하여 구축되는 것이다.The model generation unit 108 generates a failure occurrence risk index model (basic model) by using the prime factor history information that can quantify the risk of occurrence of a failure in each type of rotor failure stored in the pricing factor storage unit 114. [ This basic model is constructed to reflect the history of the corresponding factor history for each type of failure.

또한, 모델 생성부(108)는 연산부(104)에서 기본모델의 건전성 인자 기존오차 (Δy)의 분포도에 대한 건전성 인자의 실시간 오차(Δy0)를 이용하여 생성된 사후 분포도의 오차 범위가 미리 결정된 값을 초과한다고 판단하면, 실시간 건전성 인자의 가변모델을 생성한다. 기본모델은 기존의 진동 정보(고정된 시간에 따른 진동 정보)를 이용하여 생성된 시간대별 건전성 인자 이력 정보를 이용하여 생성되는 고정적인 모델인 반면에, 이 실시간 건전성 인자의 가변모델은 (상기 고정된 시간 이후의)실시간으로 수신되는 진동 실파형 정보를 이용하여 계속해서 생성되는 동적모델이다.Further, the model generating unit 108 is a quality factor existing error (Δy) distribution quality factor real-time error margin of error of the post-distribution diagram generated by a (Δy 0) of about the base model in the operation section 104, a predetermined Value, a variable model of the real-time soundness factor is generated. The basic model is a fixed model that is generated by using time information of each factor generated by using existing vibration information (vibration information according to fixed time), whereas the variable model of the real time prerequisite factor Is a dynamic model that is continuously generated using the vibration real waveform information received in real time (after a predetermined time).

결과 산출부(110)는 기본모델의 결과값과 동적으로 생성되는 가변모델의 결과값을 분석하여 고장 유형별 위험도 정보에 대한 지수를 산출하여 제공한다. The result calculating unit 110 analyzes the result of the basic model and the result of the variable model that is generated dynamically, and calculates and provides an index of the risk information for each type of failure.

도 2는 진동 신호 특성 인자를 예시적으로 도시한다. 개별 회전체 설비에 설치된 변위 센서로부터 실시간으로 진동 실파형 정보를 전달받아, 예를 들어, 초당 8196개의 데이터 샘플링 과정을 거친 후, 1cycle (초당 60 cycle)에 대하여 시간/주파수 영역에 해당되는 특정인자들이 계산된다. 계산된 특정인자의 예는 도 2에 개시된 바와 같다. 구체적으로 예를 들어, 시간 영역에서의 진동신호 기반 특성 인자로는 Max =

Figure pat00008
, 기울기=
Figure pat00009
, RMS=
Figure pat00010
, 첨도=
Figure pat00011
, 파고율= Max/RMS, 형상 계수= RMS/Mean, 임펄스 계수= Max/Mean이다(여기서, x값은 상기 8196개의 신호를 각각 데이터 샘플링한 값을 의미하고, N은 초당 데이터 샘플링 개수인 8196을 의미한다). 또한, 주파수 영역에서의 진동신호 기반 특성인자로는 궤도형상 장단축 비율에 대한 특성인자가 있다(여기서, X값은 상기 시간 영역에서의 값을 FFT하여 나타나는 60Hz에 해당하는 값을 의미한다). 2 shows an exemplary vibration signal characteristic factor. For example, after performing 8196 data sampling processes per second, the vibration sensor 100 receives data of a specific factor corresponding to the time / frequency range for 1 cycle (60 cycles per second) Are calculated. An example of the calculated specific person is as shown in Fig. Specifically, for example, as a vibration signal-based characteristic factor in the time domain, Max =
Figure pat00008
, Slope =
Figure pat00009
, RMS =
Figure pat00010
, Kurtosis =
Figure pat00011
, The crest factor = Max / RMS, the form factor = RMS / Mean and the impulse coefficient = Max / Mean (where x denotes the data sampling of the 8196 signals and N denotes the number of data sampling per second it means). In addition, there is a characteristic factor for the shortening ratio of the orbit shape as the vibration signal-based characteristic factor in the frequency domain (here, X value means a value corresponding to 60 Hz expressed by FFT of the value in the time domain).

도 3에는 진동 신호 특정 인자를 기반으로 생성된 건전성 인자가 예시적으로 도시되어 있다. 구체적으로, 예를 들어, 질량불평형에 관한 건전성 인자는

Figure pat00012
로 정의되며, 여기서 Clearance는 베어링과 축 사이 Gap이고, Max vib는 진동신호 1cycle 중 가장 큰 진동수치 특성인자를 의미한다. 또한, 예를 들어, 접촉마모에 관한 건전성 인자는
Figure pat00013
로 정의되며, 여기서 Orbit aspect ratio 특성인자가 사용된다. 또한, 예를 들어, 오정렬에 관한 건전성 인자는
Figure pat00014
로 정의되며, 여기서 Orbit aspect ratio 특성인자가 사용된다. 또한, 예를 들어, 오일 훨에 관한 건전성 인자는
Figure pat00015
로 정의되며, 이는 주파수 상대적 비율 5의 특성인자가 사용된 것이다. In Fig. 3, the soundness factor generated based on the vibration signal specific factor is illustratively shown. Specifically, for example, the soundness factor for mass unbalance is
Figure pat00012
Where Clearance is the gap between the bearing and the shaft, and Max vib is the largest vibration characteristic factor among 1 cycle of the vibration signal. Also, for example, the prerequisite factor for contact wear is
Figure pat00013
, Where the Orbit aspect ratio characteristic factor is used. Also, for example, the health factor for misalignment is
Figure pat00014
, Where the Orbit aspect ratio characteristic factor is used. Also, for example, the soundness factor for the oil wheels is
Figure pat00015
, Which is a characteristic factor of a frequency relative ratio of 5 is used.

도 4에는 본 발명의 일 실시예에 따른 고장 발생 위험도 지수 평가 방법의 간략한 순서도가 도시된다.FIG. 4 shows a simplified flowchart of a method for evaluating the risk of occurrence of a risk index according to an embodiment of the present invention.

수신부(101)는 회전체로부터 실시간으로 진동신호를 취득한다(S400). 본 발명의 진단대상으로서의 회전체로는 예를 들어, 대형발전소 증기터빈, 보일러 주급수 펌프 및 CID-팬(회전체 설비)를 들 수 있다. The receiving unit 101 acquires the vibration signal in real time from the rotating body (S400). Examples of the rotating body as a diagnostic object of the present invention include a large-sized power plant steam turbine, a boiler main feed pump, and a CID-fan (rotator).

연산부(104)는 수신된 진동신호를 기반으로 특성인자를 추출한다(S400). 즉, 회전체 설비에 설치된 센서로부터 실시간으로 수신된 진동 실파형 정보가 데이터 샘플링된 후 1 cycle 에 대하여 시간/주파수 영역으로 정의된 특성인자에 따라 계산된다. 진동 신호 기반의 특성인자로는 예를 들어, 시간 영역에서는 Max, 기울기, RMS, 첨도, 파고율, 형상 계수, 임펄스 계수 등이 포함될 수 있다. 구체적으로, 예를 들어, 시간 영역에서의 진동신호 기반 특성 인자로는 Max =

Figure pat00016
, 기울기=
Figure pat00017
, RMS=
Figure pat00018
, 첨도=
Figure pat00019
, 파고율= Max/RMS, 형상 계수= RMS/Mean, 임펄스 계수= Max/Mean이다. 또한, 주파수 영역에서의 진동신호 기반 특성인자로는 궤도형상 장단축 비율에 대한 특성인자가 있다.The operation unit 104 extracts a characteristic factor based on the received vibration signal (S400). That is, the vibration real waveform information received in real time from the sensors installed in the rotating equipment is sampled and calculated according to the characteristic factors defined as the time / frequency domain for one cycle. For example, Max, slope, RMS, kurtosis, crest factor, shape coefficient, impulse coefficient, and the like may be included in the characteristic factor based on the vibration signal. Specifically, for example, as a vibration signal-based characteristic factor in the time domain, Max =
Figure pat00016
, Slope =
Figure pat00017
, RMS =
Figure pat00018
, Kurtosis =
Figure pat00019
, Crest factor = Max / RMS, shape factor = RMS / Mean, and impulse factor = Max / Mean. In addition, there are characteristic factors for the shortening ratio of the orbit shape as the vibration signal based characteristic factor in the frequency domain.

연산부(104)는 추출된 특성인자를 기반으로 회전체의 고장유형별 건전성 인자를 연산한다(S402). 건전성 인자로는 구체적으로, 예를 들어, 질량불평형에 관한 건전성 인자는

Figure pat00020
로 정의되며, 여기서 Clearance는 베어링과 축 사이 Gap이고, Max vib는 진동신호 1cycle 중 가장 큰 진동수치 특성인자를 의미한다. 또한, 예를 들어, 접촉마모에 관한 건전성 인자는
Figure pat00021
로 정의되며, 여기서 Orbit aspect ratio 특성인자가 사용된다. 또한, 예를 들어, 오정렬에 관한 건전성 인자는
Figure pat00022
로 정의되며, 여기서 Orbit aspect ratio 특성인자가 사용된다. 또한, 예를 들어, 오일 훨에 관한 건전성 인자는
Figure pat00023
로 정의되며, 이는 주파수 상대적 비율 5의 특성인자가 사용된 것이다.The operation unit 104 calculates the integrity factor for each type of failure of the rotating body based on the extracted characteristic factors (S402). Specifically, as a prerequisite factor, for example, a prudential factor for mass unbalance is
Figure pat00020
Where Clearance is the gap between the bearing and the shaft, and Max vib is the largest vibration characteristic factor among 1 cycle of the vibration signal. Also, for example, the prerequisite factor for contact wear is
Figure pat00021
, Where the Orbit aspect ratio characteristic factor is used. Also, for example, the health factor for misalignment is
Figure pat00022
, Where the Orbit aspect ratio characteristic factor is used. Also, for example, the soundness factor for the oil wheels is
Figure pat00023
, Which is a characteristic factor of a frequency relative ratio of 5 is used.

이렇게 연산된 특성인자 및 건전성 인자 결과값은 이력 데이터로서 저장부(102)에 저장된다(S406). 이 때, 특성인자를 기반으로 생성된 건전성 인자 결과값을 해당 특성인자 결과값과 함께 동기화하여 저장된다. The calculated characteristic factors and the sound factor result values are stored in the storage unit 102 as history data (S406). At this time, the result of the soundness factor generated based on the characteristic factor is stored in synchronization with the result of the characteristic factor.

모델 생성부(108)는 건전성 인자 저장부(114)에 저장된 건전성 인자들을 이용하여 기본모델을 생성한 후, 연산부(104)는 기본모델의 건전성 인자 기존오차(Δy)를 연산하고 분포도를 형성한다(S408). 여기서 기존오차(Δy )는 기본모델이 생성된 특정시간 근처 시간에 수신된 실파형 진동 신호를 이용하여 산출된 건전성 인자 결과값과 기본모델 상의 결과값의 차이를 의미한다. 기본모델은 고장유형별로 대응되는 건전성 인자 이력 추이를 반영하여 생성된다. 또한, 생성된 기본모델에 건전성 인자 이력정보 시간을 입력변수로 전달하여 결과값을 산출하여, 그 결과값과 실제 대응되는 이력의 실제값의 차이인 건전성 인자 기존 오차(Δy)를 계산하여, 기존 오차(Δy)에 대한 분포도를 생성한다. The model generating unit 108 generates a basic model using the pricing factors stored in the pricing factor storage unit 114 and then the computing unit 104 computes the existing prismatic error Δy of the basic model and forms a distribution diagram (S408). Here, the existing error (? Y) means the difference between the resultant value of the soundness factor calculated using the real vibration signal received at a time near the specific time at which the basic model is generated and the resultant value on the basic model. The base model is generated reflecting the trend of the corresponding factor history by type of failure. In addition, the resultant value of the prime factor history information time is transmitted to the generated basic model as an input variable, and the existing prime factor (Δy), which is the difference between the resultant value and the actual value of the actual corresponding history, is calculated, And generates a distribution map for the error DELTA y.

결과 산출부(110)는 건전성 인자를 기반으로 생성된 기본모델의 결과값을 산출하고, 연산부(104)는 수신부(101)가 수신한 실파형 진동 신호를 이용한 건전성 인자의 대응 결과값과 기본모델의 결과값의 차이인 실시간 오차(Δy0)를 연산한다(S410). 여기서 실시간 오차(Δy0)를 생성하는 실파형 진동 신호는 시간의 흐름에 따라 계속적으로 변화하는 값이다.The result calculating unit 110 calculates the result of the basic model generated based on the soundness factor and the arithmetic unit 104 compares the corresponding result value of the soundness factor using the real vibration signal received by the receiving unit 101, It calculates a real time of the errors (Δy 0) difference between resulting value (S410). Here, the real vibration signal generating the real-time error (? Y 0 ) is a value continuously changing with the passage of time.

연산부(104)는 건전성 인자 기존오차 (Δy)의 평균 (

Figure pat00024
), 표준편차 (
Figure pat00025
)의 값과, 최근 데이터 중심으로 연산되는 건전성 인자 실시간오차 (Δy0)의 데이터 수 (M), M의 평균(
Figure pat00026
)과 표준편차(
Figure pat00027
)를 사용하여 새로운 분포도 (사후 분포도)를 형성한다(사후 분포도의 평균은
Figure pat00028
, 표준편차는
Figure pat00029
로 구분됨, 베이지안 추론). 연산부(104)는 기존 Δy 분포 범위를 벗어나는 기준은 2가지로 정의하는데, 이는 실시간 건전성 인자 정보가 반영된 y의 사후분포가 좌/우로 치우치거나 분산이 커져 분포형태가 넓어지는 경우로 분류하되, 건전성 인자의 실시간 오차(Δy0)를 이용하여 생성된 사후분포도의 오차 범위가 기본모델의 건전성 인자 기존오차 (Δy)의 분포도의 미리 결정된 값을 초과하는 지 여부로 판단될 수 있다.The arithmetic unit 104 calculates the average (?
Figure pat00024
), Standard Deviation (
Figure pat00025
), The number of data (M) of the reliability factor real-time error (? Y 0 ) calculated based on the recent data center, the average of M
Figure pat00026
) And standard deviation (
Figure pat00027
) To form a new distribution (post distribution) (the average of the post distribution is
Figure pat00028
, The standard deviation is
Figure pat00029
, Bayesian inference). The operation unit 104 defines two criteria that deviate from the existing Δy distribution range, that is, the case where the posterior distribution of y reflecting the real-time soundness factor information shifts to the left / right, a real-time quality error margin of error of the post-distribution generated using the (Δy 0) of the parameter can be determined by whether the value of the quality factor exceeds a predetermined distribution of the existing error (Δy) of the base model.

건전성 인자의 실시간 오차(Δy0)를 이용하여 생성된 사후분포도의 오차 범위가 기본모델의 건전성 인자 기존오차 (Δy)의 분포도에서 미리 결정된 값을 초과한다고 판단되면, 제어부(106)는 모델 생성부(108)로 하여금 가변모델을 추가적으로 생성하도록 한다(S412). If it is determined that the error range of the post-distribution diagram generated by a real-time error (Δy 0), the quality factor exceeds a predetermined value in the distribution of the quality factor existing error (Δy) of the base model, the control unit 106 may model generator (Step S412) to generate a variable model.

결과 산출부(110)는 실시간으로 수신된 진동 실파형 기반 건전성 인자를 이용하여 생성된 가변모델의 결과값을 산출한다(S414). 여기서, 가변모델은 실시간으로 수신되는 진동 실파형을 기본으로 하여 생성되므로, 실시간으로 변동하는 동적인 모델이다. The result calculation unit 110 calculates the result of the variable model generated using the vibration shock waveform-based soundness factor received in real time (S414). Here, the variable model is a dynamic model that changes in real time because it is generated based on a vibration real waveform received in real time.

또한, 결과 산출부(110)는 산출된 기본모델 결과값과 동적으로 변화하는 가변 모델의 결과값을 비교하고 정량화한다(S416). 또한, 결과 산출부(110)는 상기 정량화된 값을 이용하여 고장유형별 위험도 지수 분석결과를 제공한다. In addition, the result calculation unit 110 compares the calculated basic model result value with the resultant value of the variable model that changes dynamically (S416). In addition, the result calculating unit 110 provides a risk index analysis result for each failure type using the quantified value.

즉, 고장 발생 위험도 지수 평가 장치(100)는 실시간으로 건전성 인자 분석을 통해 고장발생 위험도 지수 분석모델 및 가변모델을 생성하고 이를 기반으로 자동으로 회전체 설비의 고장유형별 발생 위험도 지수를 산출하여 평가하기 위하여, 회전체 설비로부터 진동 데이터(예를 들어, 1 초당 8196개)를 취득하여 이에 대한 특성을 연산하여 추출하는 1단계; 회전체 설비의 고장유형별(예를 들어, 질량불평형, 접촉마모, 오정렬, 오일 훨 등)로 추출된 특성인자를 활용해 건전성 인자를 계산한 후 저장하는 2단계; 고장유형별 저장된 건전성 인자 이력 정보를 기반으로 고장발생 위험도 지수 기본모델 및 Δy(건전성 인자 기존 오차,'기본모델에 대한 결과값(추측값) - 초기 신호 실파형 진동 신호에 대한 건전성 인자 대응 결과값') 분포도가 생성되는 3단계; 실시간 진동신호 데이터를 기반으로 상기 1, 2 단계를 반복한 후 기본모델에 실시간 건전성 인자 데이터 군(예를 들어, 최소 건전성 인자 수 30개)의 결과값 및 Δy0(건전성 인자 실시간 오차, '기본모델 결과값 - 실시간 건전성 인자 실제값')이 연산되는 4단계; 3단계에서 생성한 기본모델 Δy 분포도에 대하여 Δy0에 대한 일정한 수치를 입력하여 베이지안 추론을 통해 사후 분포도를 형성한 후, 상기 Δy 분포도에 대비하여 사후 분포도가 미리 결정된 분포도의 적합범위를 벗어나면, 가변모델이 생성되어 추가 결과값이 산출되는 5단계 및 최신 건전성 인자를 각 생성모델(기본모델, 가변모델)의 입력변수(예를 들어, 특정 시간)로 넣어 고장유형별 위험도 지수를 정량화하여 사용자에게 정보를 제공하는 6단계를 수행한다. That is, the failure occurrence risk index evaluating apparatus 100 generates the failure occurrence risk index analysis model and the variable model through analysis of the soundness factor in real time, and automatically calculates the occurrence risk index according to the failure type of the rotating equipment A first step of acquiring vibration data (for example, 8196 pieces per second) from the rotating equipment and calculating and extracting characteristics therefrom; The second step is to calculate and save the soundness factor by using the characteristic factors extracted by the failure type of the rotating equipment (for example, mass unbalance, contact wear, misalignment, oil wheel, etc.) Based on the stored history information of each type of failure, it is shown that the failure model and Δy (the existing error of the soundness factor, the result value of the basic model (the estimated value), the resultant value of the soundness factor for the initial signal, 3) in which a distribution diagram is generated; After the first and second steps are repeated based on the real-time vibration signal data, the result of the real-time soundness factor data group (for example, the number of the minimum soundness factors 30) and Δy 0 (the soundness factor real- Model result value - real-time soundness factor actual value ') is calculated; For the basic model? Y distribution diagram generated in step 3, a constant value for? Y 0 is input After the posterior distribution is formed through Bayesian inference, if the posterior distribution deviates from the fit range of the predetermined distribution in contrast to the? Y distribution, the variable model is generated and the additional result is calculated. (Eg, a specific time) of the model (basic model, variable model) to quantify the risk index for each type of failure, and perform the six steps of providing information to the user.

도 5는 고장 발생 위험도 지수 평가 중의 가변 모델 생성 방법의 간략한 순서도이다. 5 is a simplified flowchart of a variable model generation method during the evaluation of the failure occurrence risk index.

수신부(101)로부터 특정 시간에 수신된 진동 신호로부터 연산되는 특성인자를 기반으로 생성된 건전성 인자를 이용하여 고장 발생 위험도 지수 기본 모델이 생성된다(S500). 512 그래프를 참조하면, 저장부(120)에 저장된 건전성 인자를 이용하여 생성된 기본모델이 도시되어 있다. 세로측의 건전성 인자는 0~1사이의 값이고, 고장 발생 위험도 기본모델의 결과값이 1에 가까울수록, 그리고 고장 발생시점의 추측시간과 현재 건전성 인자의 결과값의 시간 차이가 적을수록 회전 설비의 고장발생 경향성이 높아진다는 것을 의미한다. 따라서, 기본모델이 1에 도달하는 시간을 통하여 해당 회전체의 고장이 예상되는 시간을 예상할 수 있다. A failure occurrence risk index basic model is generated using the soundness factor generated based on the characteristic factor calculated from the vibration signal received from the receiving unit 101 at a specific time (S500). Referring to the graph, a basic model generated using the health factor stored in the storage unit 120 is shown. The soundness factor of the longitudinal side is a value between 0 and 1, and the risk of failure is closer to 1 than the result of the basic model, and as the time difference between the estimated time of the failure occurrence and the result of the current soundness factor is smaller, Which means that the fault occurrence tendency is increased. Therefore, it is possible to predict the time at which the failure of the rotor is expected through the time when the basic model reaches 1.

기본모델의 결과값에 대한 이력 건전성 인자의 실제 결과값의 차이인 건전성 인자 기존오차 Δy를 연산하고, 기존오차 Δy의 분포도를 형성한다(S502). 그 뒤로, 건전성 실시간 오차 Δy가 연산되고, 기본모델의 Δy의 분포도에 연산내용이 입력된다(S504). 520의 좌측 그래프를 참조하면, 예시적으로 시간 t0에서 기본 모델의 결과값과 실제값의 차이인 기존오차 Δy가 도시되어 있고, 520의 우측 그래프는 Δy의 분포도가 도시되어 있다. (S502), a pre-existing error .DELTA.y which is the difference between the actual resultant value of the historical soundness factor for the resultant value of the basic model is calculated and a distribution diagram of the existing errory is formed. Thereafter, the soundness real-time error? Y is calculated, and the calculation content is input to the distribution map of? Y of the basic model (S504). Referring to the left graph of 520, an exemplary error y is illustrated, which is the difference between the actual value and the result of the basic model at time t 0 , and the right graph of 520 shows the distribution of y.

또한, 생성된 기본모델 Δy 분포도를 이용하여 베이지안 추론을 통해 Δy0의 사후 분포도가 형성된다(S506). Further, a post-distribution diagram of? Y 0 is formed through Bayesian inference using the generated basic model? Y distribution map (S506).

구체적으로, 연산부(104)는 건전성 인자의 실시간 오차(Δy0)가 기본모델 분포도의 경향과 유사한지 베이지안 추론 기법(수식 (1) 참조)을 통해 판단하며, 사용자의 설정한 분포도의 좌우영역 한계점을 초과하는 지 여부를 판단한다. Specifically, the operation unit 104 quality real-time factor error (Δy 0), the base model (see the equation (1)) if Bayesian inference techniques similar to those of the distribution of the over determined and thresholds depend area of set distribution of the user ≪ / RTI >

Figure pat00030
...수식(1)
Figure pat00030
... (1)

연산부(104)는 건전성 인자 기존오차 (Δy)의 평균 (

Figure pat00031
), 표준편차 (
Figure pat00032
)의 값과 최근 데이터 중심으로 연산되는 건전성 인자 실시간오차 (Δy0)의 데이터 수 (M), M의 평균(
Figure pat00033
)과 표준편차(
Figure pat00034
)를 사용하여 새로운 분포도 (사후 분포도)를 형성한다(사후 분포도의 평균은
Figure pat00035
, 표준편차는
Figure pat00036
로 구분됨, 베이지안 추론). 형성된 사후 분포도는 525의 그래프로 도시된다. The arithmetic unit 104 calculates the average (?
Figure pat00031
), Standard Deviation (
Figure pat00032
), The number of data (M) of the soundness factor real-time error (? Y 0 ) calculated based on the recent data, the average of M
Figure pat00033
) And standard deviation (
Figure pat00034
) To form a new distribution (post distribution) (the average of the post distribution is
Figure pat00035
, The standard deviation is
Figure pat00036
, Bayesian inference). The formed post-distribution is shown in graph 525.

사후 분포도가 생성되면, 연산부(104)는 기존 분포도와 사후 분포도를 비교하고 그 결과에 따라 제어부(106)는 가변모델의 생성여부를 판단한다(S508). When the posterior distribution is generated, the operation unit 104 compares the existing distribution with the post-distribution, and the controller 106 determines whether a variable model is created (S508).

구체적으로, 연산부(104)는 기존 Δy 분포 범위를 벗어나는 기준은 2가지로 정의하는데, 실시간 건전성 인자 정보가 반영된 y의 사후분포가 좌/우로 치우치거나 분산이 커져 분포형태가 넓어지는 경우로 분류하되, 건전성 인자의 실시간 오차(Δy0)를 이용하여 생성된 사후분포도의 오차 범위가 미리 결정된 값을 초과하는 지 여부를 판단할 수 있다. 도 5의 530의 그래프를 참조하면, 기존분포에서 벗어나 도시된 사후분포가 미리 결정된 기준치값을 벗어난 경우가 도시되어 있다. Specifically, the operation unit 104 defines two criteria that deviate from the existing Δy distribution range, namely, a case where the posterior distribution of y reflecting the real-time soundness factor information shifts to the left / right, but, there is a margin of error of the post-distribution diagram generated by a real-time error (Δy 0) of the quality factor can be determined whether more than a predetermined value. Referring to the graph of 530 of FIG. 5, there is shown a case where the posterior distribution shown outside the existing distribution deviates from the predetermined reference value.

사후 분포도가 미리 결정된 기준치값을 벗어나면, 제어부(106)는 모델 생성부(108)로 하여금 가변모델을 생성하도록 하고, 결과 산출부(110)는 실시간으로 수신된 진동 실파형 기반 건전성 인자를 이용하여 생성된 가변모델의 결과값을 산출한다(S510). 가변모델은 실시간으로 수신되는 진동 실파형을 기본으로 하여 생성되므로, 실시간으로 변동하는 동적인 모델이다. 결과 산출부(110)는 이어서 산출된 가변모델의 결과값을 이용하여 산출된 기본모델 결과값과 비교하고 정량화하고, 상기 정량화된 값을 이용하여 고장유형별 위험도 지수 분석결과를 제공한다.If the post-distribution degree deviates from a predetermined reference value, the control unit 106 causes the model generation unit 108 to generate a variable model, and the result calculation unit 110 uses the received vibration waveform-based soundness factor received in real time And calculates a result value of the generated variable model (S510). Since the variable model is generated based on the vibration vibration waveform received in real time, it is a dynamic model that changes in real time. The result calculation unit 110 compares and quantifies the calculated result of the variable model with the calculated basic model result value, and provides the result of the risk index analysis according to the failure type using the quantified value.

도 6에는 고장 발생 위험도 지수 평가 모델의 실기간 화면이 예시적으로 도시된다. 6, an actual period screen of the failure occurrence risk index evaluation model is illustratively shown.

도 6의 600을 참조하면 일에 따른 가변모델 및 월에 따른 가변모델이 디스플레이되어 있다. 가변모델은 실시간 진동 신호에 따라 생성된 모델이며 실시간 진동 신호에 따라 생성되므로 실시간 진동 신호 상태에 따라 가변하는 동적인 모델이다. Referring to FIG. 6, a variable model according to work and a variable model according to a month are displayed. The variable model is a model generated according to the real-time vibration signal, and it is a dynamic model that changes according to the real-time vibration signal state because it is generated according to the real-time vibration signal.

또한, 도 6의 602를 참조하면 기본모델 및 가변모델이 모두 디스플레이되어 있고, 도 6의 604를 참조하면 건전성 인자 기존 오차(Δy)의 사전 분포도와 건전성 인자 실시간 오차(Δy0)의 사후 분포도가 디스플레이된다. 6, the basic model and the variable model are both displayed. Referring to 604 in FIG. 6, the pre-distribution of the prime factor (Δy) and the post-distribution of the prime factor real-time error (Δy 0 ) Is displayed.

사후 분포도는 건전성 인자 기존오차 (Δy)의 평균 (

Figure pat00037
), 표준편차 (
Figure pat00038
)의 값과 최근 데이터 중심으로 연산되는 건전성 인자 실시간오차 (Δy0)의 데이터 수 (M), M의 평균(
Figure pat00039
)과 표준편차(
Figure pat00040
)를 사용하여 기존오차 분포도에 실시간으로 입력되는 데이터를 포함시켜 형성된다(사후 분포도의 평균은
Figure pat00041
, 표준편차는
Figure pat00042
로 구분됨, 베이지안 추론). 이에 따라, 디스플레이된 사전 분포도와 사전 분포도를 비교하여, 건전성 인자의 실시간 오차(Δy0)를 이용하여 생성된 사후분포도의 오차 범위가 기본모델의 건전성 인자 기존오차 (Δy)의 분포도의 미리 결정된 값을 초과하는 지 여부가 판단된다. The post-distribution is the average of the pre-existing error (Δy)
Figure pat00037
), Standard Deviation (
Figure pat00038
), The number of data (M) of the soundness factor real-time error (? Y 0 ) calculated based on the recent data, the average of M
Figure pat00039
) And standard deviation (
Figure pat00040
) Is used to include data that is input in real time to the existing error distribution map
Figure pat00041
, The standard deviation is
Figure pat00042
, Bayesian inference). Accordingly, by comparing the display prior distribution and the prior distribution, quality of the error range of the post-distribution diagram generated by a real-time error (Δy 0) of the printing base model quality factor to a predetermined value of the distribution of an existing error (Δy) ≪ / RTI >

도 7에는 고장 발생 위험도 지수 평가 모델 이력 조회 화면이 예시적으로 도시된다. FIG. 7 exemplarily shows a failure occurrence risk index evaluation model history inquiry screen.

실시간 건전성 인자의 가변모델은 실시간으로 수신되는 진동 실파형 정보를 이용하여 계속해서 생성되는 동적모델이다. 따라서, 가변모델은 실시간으로 변동되기 때문에, 시간의 흐름(시간변수)에 따라 변동되는 가변모델의 이력이 기록된다. 도 7의 700의 이력은 변동되는 가변모델의 이력이다. 따라서, 시간 별로 기록된 가변 모델의 각각의 이력을 통하여 예를 들어, 이상상태 진전도 및 예측지점 분석 위험도 등을 정량화하여 수치로 확인할 수 있다. A variable model of real - time soundness factor is a dynamic model that is continuously generated by using real - time received vibration waveform information. Therefore, since the variable model fluctuates in real time, the history of the variable model that varies according to the flow of time (time variable) is recorded. The history of 700 in Fig. 7 is the history of the variable model that is varied. Therefore, it is possible to quantify, for example, the degree of progress of the abnormal state and the risk of analyzing the prediction point, by quantifying the history of each variable model recorded by time.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The foregoing description is merely illustrative of the technical idea of the present invention, and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are intended to illustrate rather than limit the scope of the present invention, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents should be construed as falling within the scope of the present invention.

100: 고장 발생 위험도 지수 평가 장치
101: 수신부 102: 저장부
104: 연산부 106: 제어부
108: 모델 생성부 110: 결과 산출부100: Failure risk index evaluation device
101: Receiving unit 102:
104: operation unit 106:
108: model generation unit 110: result calculation unit

Claims (17)

고장 유형별로 정의된 제1 건전성 인자 결과값 이력 정보를 이용하여 기본 모델을 생성하고, 실시간으로 수신받은 진동 신호에 대한 제2 건전성 인자 결과값을 이용하여 가변 모델을 생성하는 위험도 지수 모델 생성부;
상기 제2 건전성 인자 결과값을 이용하여 상기 기본 모델의 실시간 오차를 연산하는 연산부;
상기 기본 모델의 실시간 오차 범위가 미리 결정된 기준값을 초과하면 상기 위험도 지수 모델 생성부로 하여금 상기 제2 건전성 인자 결과값을 이용하여 가변 모델을 생성하도록 하는 제어부; 및
상기 기본 모델 및 상기 가변 모델을 분석하여 고장 발생 위험도에 대한 지수를 제공하는 결과 산출부를 포함하는 고장 발생 위험도 지수 평가 장치.A risk exponent model generating unit for generating a basic model by using the first soundness factor result value history information defined for each failure type and generating a variable model by using a second soundness factor result value for the vibration signal received in real time;
A computation unit for computing a real time error of the basic model using the second soundness factor result;
A controller for causing the risk index model generating unit to generate a variable model using the second soundness factor result value if the real time error range of the basic model exceeds a predetermined reference value; And
And a result calculation unit for analyzing the basic model and the variable model to provide an index of a risk of occurrence of a failure. 청구항 1에 있어서,
미리 결정된 특성 인자 및 상기 제1 건전성 인자 결과값의 이력 정보를 저장하는 저장부; 및
상기 진동 신호를 실시간으로 수신하는 수신부를 더 포함하고,
상기 연산부는 상기 실시간으로 수신된 진동 신호 및 상기 특성 인자를 이용하여 상기 제2 건전성 인자 결과값을 생성하는 고장 발생 위험도 지수 평가 장치.
The method according to claim 1,
A storage unit for storing history information of a predetermined characteristic factor and the first health factor result value; And
Further comprising: a receiver for receiving the vibration signal in real time,
And the arithmetic unit generates the second soundness factor result value using the vibration signal and the characteristic factor received in real time.
청구항 2에 있어서,
상기 고장 유형 중 질량 불평형에 대한 상기 건전성 인자는;
Figure pat00043
인 고장 발생 위험도 지수 평가 장치.The method of claim 2,
Said prudential factor for mass unbalance among said failure types;
Figure pat00043
Failure occurrence rate index evaluation device. 청구항 2에 있어서,
상기 고장 유형 중 접촉 마모에 대한 상기 건전성 인자는;
Figure pat00044
인 고장 발생 위험도 지수 평가 장치.The method of claim 2,
Said health factor for contact wear among said types of failures;
Figure pat00044
Failure occurrence rate index evaluation device. 청구항 2에 있어서,
상기 고장 유형 중 오정렬에 대한 상기 건전성 인자는;
Figure pat00045
인 고장 발생 위험도 지수 평가 장치.The method of claim 2,
The pruning factor for misalignment among the fault types;
Figure pat00045
Failure occurrence rate index evaluation device. 청구항 2에 있어서,
상기 고장 유형 중 오일 훨에 대한 상기 건전성 인자는;
Figure pat00046
인 고장 발생 위험도 지수 평가 장치. The method of claim 2,
The health factor for the oil wheel among the failure types is;
Figure pat00046
Failure occurrence rate index evaluation device. 청구항 1에 있어서,
상기 결과값이 1에 가까울수록 고장 발생의 경향성이 높아지는 고장 발생 위험도 지수 평가 장치.The method according to claim 1,
And the tendency of occurrence of failure increases as the result value is closer to 1. 청구항 1에 있어서,
상기 기본 모델의 오차 범위가 미리 결정된 기준값을 초과하는 지 여부는 베이지안 추론기법을 이용하여 상기 실시간 오차의 사후분포도를 형성하여 판단되는 고장 발생 위험도 지수 평가 장치.The method according to claim 1,
Wherein whether the error range of the basic model exceeds a predetermined reference value is determined by forming a posterior distribution of the real-time error using a Bayesian inference technique. 청구항 1에 있어서,
상기 가변모델은 실시간으로 연속적으로 생성되는 동적인 모델인 고장 발생 위험도 지수 평가 장치.The method according to claim 1,
Wherein the variable model is a dynamic model continuously generated in real time. 외부 센서로부터 실시간으로 진동 신호를 수신받아 고장 유형별로 제2 건전성 인자 결과값을 생성하는 단계;
상기 제2 건전성 인자 결과값을 이용하여, 고장 유형별로 정의된 제1 건전성 인자 결과값 이력 정보로 생성된 기본 모델에 대한 실시간 오차를 연산하는 단계;
상기 실시간 오차 범위가 미리 결정된 기준값을 초과하면 상기 제2 건전성 인자 결과값을 이용하여 가변모델을 생성하는 단계; 및
상기 가변 모델 및 상기 기본 모델을 실시간으로 비교 분석하여 고장 발생 위험도에 대한 지수를 산출하는 단계를 포함하는 고장 발생 위험도 지수 평가 방법.Receiving a vibration signal in real time from an external sensor and generating a second integrity factor result value for each failure type;
Calculating a real-time error for the basic model generated from the first health factor result value history information defined for each failure type, using the second health factor result value;
Generating a variable model using the second soundness factor result value if the real-time error range exceeds a predetermined reference value; And
And comparing the variable model and the basic model in real time to calculate an index of the risk of occurrence of a failure. 청구항 10에 있어서,
상기 고장 유형 중 질량 불평형에 대한 상기 건전성 인자는;
Figure pat00047
인 고장 발생 위험도 지수 평가 방법. The method of claim 10,
Said prudential factor for mass unbalance among said failure types;
Figure pat00047
A method for evaluating the risk of occurrence of a failure. 청구항 10에 있어서,
상기 고장 유형 중 접촉 마모에 대한 상기 건전성 인자는;
Figure pat00048
인 고장 발생 위험도 지수 평가 방법. The method of claim 10,
Said health factor for contact wear among said types of failures;
Figure pat00048
A method for evaluating the risk of occurrence of a failure. 청구항 10에 있어서,
상기 고장 유형 중 오정렬에 대한 상기 건전성 인자는;
Figure pat00049
인 고장 발생 위험도 지수 평가 방법. The method of claim 10,
The pruning factor for misalignment among the fault types;
Figure pat00049
A method for evaluating the risk of occurrence of a failure. 청구항 10에 있어서,
상기 고장 유형 중 오일 훨에 대한 상기 건전성 인자는;
Figure pat00050
인 고장 발생 위험도 지수 평가 방법.The method of claim 10,
The health factor for the oil wheel among the failure types is;
Figure pat00050
A method for evaluating the risk of occurrence of a failure. 청구항 10에 있어서,
상기 결과값이 1에 가까울수록 고장 발생의 경향성이 높아지는 고장 발생 위험도 지수 평가 방법. The method of claim 10,
And the tendency of occurrence of the fault increases as the result value is closer to 1. 청구항 10에 있어서,
상기 기본 모델의 오차 범위가 미리 결정된 기준값을 초과하는 지 여부는 베이지안 추론기법을 이용하여 상기 오차의 사후분포도를 형성하여 판단되는 고장 발생 위험도 지수 평가 방법. The method of claim 10,
Wherein whether the error range of the basic model exceeds a predetermined reference value is determined by forming a posterior distribution of the error using a Bayesian inference technique. 청구항 10에 있어서,
상기 가변모델은 연속적으로 생성되는 동적인 모델인 고장 발생 위험도 지수 평가 방법.
The method of claim 10,
Wherein the variable model is a continuously generated dynamic model.
KR1020160125788A 2016-09-29 2016-09-29 apparatus and method for evaluating fault risk index of a rotator KR102365772B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160125788A KR102365772B1 (en) 2016-09-29 2016-09-29 apparatus and method for evaluating fault risk index of a rotator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160125788A KR102365772B1 (en) 2016-09-29 2016-09-29 apparatus and method for evaluating fault risk index of a rotator

Publications (2)

Publication Number Publication Date
KR20180035549A true KR20180035549A (en) 2018-04-06
KR102365772B1 KR102365772B1 (en) 2022-02-21

Family

ID=61973509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160125788A KR102365772B1 (en) 2016-09-29 2016-09-29 apparatus and method for evaluating fault risk index of a rotator

Country Status (1)

Country Link
KR (1) KR102365772B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255447A (en) * 2018-09-19 2019-01-22 华润电力风能(威海)有限公司 A kind of automatic analysis method of vibration data
KR20210134466A (en) 2020-05-01 2021-11-10 주식회사 에이티지 Method and System of Decision-Making for Establishing Maintenance Strategy of Power Generation Facilities
CN113642171A (en) * 2021-08-10 2021-11-12 国网福建省电力有限公司 Power transmission and transformation equipment health state evaluation system and method based on big data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020035527A (en) * 2002-04-11 2002-05-11 백수곤 The Method and Device of the Reliability Test and Decision
KR20110083952A (en) * 2010-01-15 2011-07-21 한국전력기술 주식회사 Pipe vibration estimation method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020035527A (en) * 2002-04-11 2002-05-11 백수곤 The Method and Device of the Reliability Test and Decision
KR20110083952A (en) * 2010-01-15 2011-07-21 한국전력기술 주식회사 Pipe vibration estimation method

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255447A (en) * 2018-09-19 2019-01-22 华润电力风能(威海)有限公司 A kind of automatic analysis method of vibration data
CN109255447B (en) * 2018-09-19 2021-09-28 华润电力风能(威海)有限公司 Automatic analysis method of vibration data
KR20210134466A (en) 2020-05-01 2021-11-10 주식회사 에이티지 Method and System of Decision-Making for Establishing Maintenance Strategy of Power Generation Facilities
CN113642171A (en) * 2021-08-10 2021-11-12 国网福建省电力有限公司 Power transmission and transformation equipment health state evaluation system and method based on big data

Also Published As

Publication number Publication date
KR102365772B1 (en) 2022-02-21

Similar Documents

Publication Publication Date Title
Qian et al. A multi-time scale approach to remaining useful life prediction in rolling bearing
Li et al. An improved exponential model for predicting remaining useful life of rolling element bearings
Cattaneo et al. A digital twin proof of concept to support machine prognostics with low availability of run-to-failure data
KR101903283B1 (en) Automatic diagnosis system and automatic diagnosis method
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
KR102118818B1 (en) Valve diagnostic method and valve diagnostic device
US7490013B2 (en) Power grid failure detection system and method
JP2018141804A (en) Method of determining remaining useful life of rotary machinery
EP3206103A1 (en) Model based system monitoring
Perišić et al. Cost‐effective shaft torque observer for condition monitoring of wind turbines
US20080033693A1 (en) Diagnostic device for use in process control system
JP7468724B2 (en) Piping diagnosis device, piping diagnosis method, and program
EP3956645B1 (en) System, apparatus and method of determining condition of a bearing
KR20180035549A (en) apparatus and method for evaluating fault risk index of a rotator
WO2016195092A1 (en) Anomaly sensing device
CN114216640A (en) Method, apparatus and medium for detecting fault status of industrial equipment
Chen et al. Bearing life prediction method based on the improved FIDES reliability model
Oliveira et al. Identification of oil starvation in hydrodynamic journal bearing using rotor vibration and Extended Kalman Filter
Hasanzadeh Ghafari A fault diagnosis system for rotary machinery supported by rolling element bearings
An et al. Detection of process anomalies using an improved statistical learning framework
Lybeck et al. Validating prognostic algorithms: a case study using comprehensive bearing fault data
WO2021049060A1 (en) Failure probability evaluation device and failure probability evaluation method
US8839664B2 (en) Detection and classification of failures of power generating equipment during transient conditions
US20160244302A1 (en) Marine motion compensated draw-works real-time performance monitoring and prediction
JP6192414B2 (en) Rolling bearing condition monitoring device

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant