KR20190081933A - Method for sensing and diagnosing abnormality of manufacture equipment - Google Patents
Method for sensing and diagnosing abnormality of manufacture equipment Download PDFInfo
- Publication number
- KR20190081933A KR20190081933A KR1020170184807A KR20170184807A KR20190081933A KR 20190081933 A KR20190081933 A KR 20190081933A KR 1020170184807 A KR1020170184807 A KR 1020170184807A KR 20170184807 A KR20170184807 A KR 20170184807A KR 20190081933 A KR20190081933 A KR 20190081933A
- Authority
- KR
- South Korea
- Prior art keywords
- manufacturing facility
- feature data
- health index
- spectral feature
- abnormality
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
- G01D1/02—Measuring arrangements giving results other than momentary value of variable, of general application giving mean values, e.g. root means square values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
- G01D1/18—Measuring arrangements giving results other than momentary value of variable, of general application with arrangements for signalling that a predetermined value of an unspecified parameter has been exceeded
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
본 발명의 기술적 사상은 제조 설비에 관한 것으로, 특히 제조 설비의 이상을 감지하는 방법에 관한 것이다. The technical idea of the present invention relates to a manufacturing facility, and more particularly to a method of detecting an abnormality in a manufacturing facility.
제조업에서 제조 설비의 갑작스러운 중단 상태는 상당히 큰 경제적 손실을 발생시킬 수 있다. 현장에서는 이러한 문제를 예방하기 위해서, 설비 상태를 미리 파악하여 설비에 고장이 발생하기 이전에 예방 수리를 진행할 필요가 있다. 일반적으로 설비의 물리적인 모델을 정확하게 알고 있다면, 물리적인 모델을 이용하여 장기적인 손상에 대한 관측 및 감시가 가능할 수 있다. 그러나 물리적인 설계 및 모델이 동일할지라도 제조 상황에 맞추어 각기 다른 조건 및 상태에서 운영하게 될 경우, 설비의 손상 상태 및 손상의 진행속도 등이 달라질 수 있다. 예컨대, 회전 설비의 경우, 회전 설비의 상태가 변함에 따라 진동이 서서히 변하게 되고, 회전 설비에 이상이 발생할 시 진동 신호의 크기 또는 특성이 크게 변하게 된다. 따라서, 일반적으로 회전 설비의 진동 신호 크기 또는 특성을 감시함으로써, 회전 설비의 이상 유무를 판단할 수 있다. 그러나 회전 설비의 다른 조건 및 상태에 따라 진동 신호의 변화 정도가 달라져, 진동 신호만으로 회전 설비 전체의 상태를 정확하게 파악하는 데에는 한계가 있다.In a manufacturing industry, a sudden interruption of manufacturing facilities can result in considerable economic losses. In order to prevent such problems on site, it is necessary to grasp the condition of the equipment in advance and carry out preventive repair before the failure occurs in the facility. In general, if you know the exact physical model of a facility, you can use physical models to observe and monitor for long-term damage. However, even if the physical design and model are the same, if the equipment is operated under different conditions and conditions according to the manufacturing conditions, the damage condition of the equipment and the progress speed of the damage may be changed. For example, in the case of a rotating facility, the vibration gradually changes as the state of the rotating facility changes, and the size or characteristic of the vibration signal greatly changes when an abnormality occurs in the rotating facility. Therefore, in general, by monitoring the magnitude or characteristics of the vibration signal of the rotating equipment, it is possible to judge the abnormality of the rotating equipment. However, since the degree of change of the vibration signal varies depending on other conditions and conditions of the rotating facility, there is a limit to accurately grasp the state of the entire rotating facility by only the vibration signal.
본 발명의 기술적 사상이 해결하고자 하는 과제는, 제조 설비의 상태를 정확하게 감지하고 진단할 수 있는 제조 설비의 이상 감지 및 진단 방법을 제공하는 데에 있다.A problem to be solved by the technical idea of the present invention is to provide an abnormality detection and diagnosis method of a manufacturing facility capable of accurately detecting and diagnosing the state of a manufacturing facility.
상기 과제를 해결하기 위하여, 본 발명의 기술적 사상은, 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징(spectrum feature) 데이터를 추출하는 단계; 상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계; 상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계; 및 감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계; 상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 및 상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계;를 포함하는 제조 설비의 이상 감지 방법을 제공한다.In order to solve the above problems, the technical idea of the present invention is to extract spectrum feature data for a manufacturing facility in a normal section; Calculating a first health index for the manufacturing facility based on the first spectral feature data; Setting a management limit line based on the first health index; And extracting second spectral feature data for a manufacturing facility in a monitoring section; Calculating a second health index for the manufacturing facility based on the second spectral feature data; And comparing the second health index with the management limit line to determine an abnormality in the manufacturing facility.
본 발명의 일 실시예에 있어서, 상기 제조 설비는 회전 설비이고, 상기 제1 또는 제2 스펙트럼 특징 데이터를 추출하는 단계는, 시간 영역에서 측정된 상기 회전 설비에 대한 측정치들을 FFT(Fast Fourier Transform) 변환하는 단계; 및 상기 회전 설비의 기계 부품별 주파수 대역에서 실효치(Root Mean Square: RMS)를 상기 제1 또는 제2 스펙트럼 특징 데이터로서 추출하는 단계;를 포함하고, 상기 주파수 대역은 기본 성분(fundamental component) 및 조화 성분들(harmonic components) 중 적어도 하나의 주파수 대역을 포함할 수 있다.In one embodiment of the present invention, the manufacturing facility is a rotating facility, and the step of extracting the first or second spectral characteristic data includes a step of performing Fast Fourier Transform (FFT) Converting; And extracting a root mean square (RMS) in the frequency band of each mechanical part of the rotating equipment as the first or second spectral feature data, wherein the frequency band includes a fundamental component and a harmonic And may include at least one frequency band of harmonic components.
본 발명의 일 실시예에 있어서, 상기 제1 건전성 지수를 산출하는 단계는, 상기 제조 설비의 측정치들에 대응하는 상기 스펙트럼 특징 데이터들에 대한 주성분 분석(Principal Component Analysis)을 통해 주성분의 개수를 선택하는 단계; 상기 주성분의 개수에 따라, 적재값(loading)을 이용하여 측정치들에 대한 주성분 점수를 계산하는 단계; 및 측정치들의 상기 주성분 점수에 대하여 마할라노비스 거리(Mahalanobis distance)를 계산하여 상기 제1 건전성 지수로 결정하는 단계;를 포함할 수 있다.In one embodiment of the present invention, the step of calculating the first soundness index may include selecting a number of principal components through Principal Component Analysis on the spectral feature data corresponding to the measurements of the manufacturing facility ; Calculating a principal component score for measured values using loading based on the number of principal components; And determining the Mahalanobis distance as the first health index by calculating the Mahalanobis distance with respect to the principal component score of the measured values.
본 발명의 일 실시예에 있어서, 상기 관리 한계선을 설정하는 단계에서, 상기 관리 한계선은, 복수 개의 상기 제1 건전성 지수를 이용하여 붓스트랩(bootstrap) 기법으로 생성할 수 있다. In one embodiment of the present invention, in the setting of the management threshold, the management threshold may be generated by a bootstrap technique using a plurality of the first health indices.
또한, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징 데이터를 추출하는 단계; 상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계; 상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계; 감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계; 상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계; 및 상기 제조 설비에 이상이 발생한 것으로 판단된 경우에, 상기 제조 설비의 어느 부분에서 이상이 발생한 것인지 진단하는 단계;를 포함하는 제조 설비의 이상 진단 방법을 제공한다.According to another aspect of the present invention, there is provided a method of extracting first spectral feature data for a manufacturing facility in a normal section, Calculating a first health index for the manufacturing facility based on the first spectral feature data; Setting a management limit line based on the first health index; Extracting second spectral feature data for a manufacturing facility in a monitoring section; Calculating a second health index for the manufacturing facility based on the second spectral feature data; Comparing the second health index with the management limit line to determine an abnormality of the manufacturing facility; And diagnosing which part of the manufacturing facility is abnormal when it is determined that an abnormality has occurred in the manufacturing facility.
본 발명의 일 실시예에 있어서, 상기 이상이 발생한 것인지 진단하는 단계에서, 상기 제2 건전성 지수에 영향을 미치는 성분들에 대한 기여도를 산출하여 진단할 수 있다.In one embodiment of the present invention, in diagnosing whether the abnormality has occurred, the contribution to the components affecting the second health index can be calculated and diagnosed.
본 발명의 기술적 사상에 의한 제조 설비의 이상 감지 방법은 제조 설비, 예컨대 회전 설비의 여러 위치에서 수집되는 진동 관련 데이터, 및 그에 따른 스펙트럼 특성 데이터를 이용하여, 건전성 지수(Health Index)와 관리 한계선 획득하고, 회전 설비의 건전성 지수의 변화를 실시간으로 감시함으로써, 회전 설비의 이상 징후를 정확하게 포착할 수 있다.The abnormality detection method of a manufacturing facility according to the technical idea of the present invention is a method of detecting an abnormality of a manufacturing facility by using the vibration index data and the spectral characteristic data collected at various positions of the manufacturing facility, And monitoring the change in the health index of the rotating equipment in real time, it is possible to accurately catch the abnormality of the rotating equipment.
또한, 본 발명의 기술적 사상에 의한 제조 설비의 이상 진단 방법은 건전성 지수 변화에 영향을 준 기여도 분석을 통하여 설비의 이상 발생 위치의 포착 및 그 원인을 진단함으로써, 제조 공장에서 사용되는 회전 설비의 예비적 유지 보수(Predictive Maintenance)를 매우 용이하고 신속하게 수행할 수 있도록 한다.In addition, the abnormality diagnosis method of the manufacturing facility according to the technical idea of the present invention can diagnose the abnormality occurrence position of the facility and diagnose the cause thereof through the contribution analysis that influences the health index change, Predictive maintenance can be performed very easily and quickly.
결과적으로, 본 발명의 기술적 사상에 의한 제조 설비의 이상 감지 및 진단 방법은 엔지니어가 관리해야 할 대상 설비가 많고 측정 센서가 많아서 업무 과부하로 인해 제때에 설비의 이상 상태를 진단하지 못하는 오류를 최소화하고, 시스템에 의한 일관성 있는 진단을 수행할 수 있으므로 엔지니어의 경험의 정도에 따른 변동성을 줄일 수 있다.As a result, according to the technical idea of the present invention, the abnormality detection and diagnosis method of the manufacturing facility minimizes the error that the engineer can not diagnose the abnormality of the equipment in time due to the overload of the work due to the large number of target facilities and measurement sensors. , It is possible to perform consistent diagnosis by the system, thereby reducing the variability depending on the degree of experience of the engineer.
도 1은 본 발명의 일 실시예에 따른 제조 설비의 이상 감지 방법을 개략적으로 보여주는 흐름도이다.
도 2는 도 1의 제조 설비의 이상 감지 방법에서, 스펙트럼 특징 데이터를 추출하는 단계를 좀더 상세하게 보여주는 흐름도이다.
도 3은 도 1의 제조 설비의 이상 감지 방법에서, 건전성 지수를 산출하는 단계를 좀더 상세하게 보여주는 흐름도이다.
도 4는 도 1의 제조 설비의 이상 감지 방법에서, 관리 한계선을 설정하는 단계에서 이용하는 붓스트랩 기법을 설명하기 위한 개념도이다.
도 5는 본 발명의 일 실시예에 따른 제조 설비의 이상 진단 방법을 개략적으로 보여주는 흐름도이다.
도 6은 도 1 및 도 5의 제조 설비의 이상 감지 및 진단 방법을 개괄적으로 보여주는 도면이다.1 is a flowchart schematically illustrating an abnormality detection method of a manufacturing facility according to an embodiment of the present invention.
FIG. 2 is a flowchart showing in more detail the step of extracting spectral characteristic data in the abnormality detection method of the manufacturing facility of FIG.
FIG. 3 is a flowchart showing in more detail the step of calculating the health index in the abnormality detection method of the manufacturing facility of FIG.
4 is a conceptual diagram for explaining a bootstrap technique used in the step of setting a management limit line in the abnormality detection method of the manufacturing facility of FIG.
5 is a flowchart schematically illustrating a method for diagnosing an abnormality in a manufacturing facility according to an embodiment of the present invention.
FIG. 6 is a schematic view showing an abnormality detection and diagnosis method of the manufacturing facilities of FIGS. 1 and 5. FIG.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. The same reference numerals are used for the same constituent elements in the drawings, and a duplicate description thereof will be omitted.
도 1은 본 발명의 일 실시예에 따른 제조 설비의 이상 감지 방법을 개략적으로 보여주는 흐름도이고, 도 2는 도 1의 제조 설비의 이상 감지 방법에서, 스펙트럼 특징 데이터를 추출하는 단계를 좀더 상세하게 보여주는 흐름도이며, 도 3은 도 1의 제조 설비의 이상 감지 방법에서, 건전성 지수를 산출하는 단계를 좀더 상세하게 보여주는 흐름도이다.FIG. 1 is a flowchart schematically illustrating an abnormality detection method of a manufacturing facility according to an embodiment of the present invention. FIG. 2 is a flowchart illustrating an abnormality detection method of the manufacturing facility of FIG. 1, FIG. 3 is a flowchart showing in more detail the step of calculating the health index in the abnormality detection method of the manufacturing facility of FIG.
도 1 내지 도 3을 참조하면, 정상 구간에서 제조 설비에 대한 스펙트럼 특징 데이터를 추출한다(S110). 설명의 편의를 위해 제조 설비들 중 회전 설비를 주로 예로 들어 설명한다. 그러나 본 실시예의 제조 설비의 이상 감지 방법이 회전 설비에 한정되는 것은 아니다. 여기서, 회전 설비는 회전력을 제공하는 기계 설비로서, 베어링(Bearing), 기어(Gear), 축(Shaft), 펌프(Pump) 등의 구성품(Component)을 포함할 수 있다. 한편, 정상 구간은 제조 설비가 정상적으로 동작하는 구간을 의미하며, 차후 건전성 지수를 산출하는 단계(S120)에서 좀더 상세히 설명한다.Referring to FIG. 1 to FIG. 3, spectral feature data for a manufacturing facility is extracted in a normal section (S110). For convenience of explanation, rotary equipments among manufacturing equipments will be mainly described as an example. However, the abnormality detection method of the manufacturing facility of the present embodiment is not limited to the rotating equipment. Here, the rotating equipment is a mechanical equipment that provides rotational power and may include components such as bearings, gears, shafts, pumps, and the like. Meanwhile, the normal section means a section in which the manufacturing facility operates normally and will be described in more detail in step S120 of calculating the future integrity index.
회전 설비에 대한 스펙트럼 특징 데이터를 추출하는 과정을 도 2를 참조하여 설명하면 다음과 같다.A process of extracting spectral feature data for a rotating facility will be described with reference to FIG.
먼저, 회전 설비의 진동 관련 데이터를 추출한다(S112). 본 실시예의 제조 설비의 이상 감지 방법에서, 회전 설비의 진동 관련 데이터는 진동 속도(vibration velocity)와 진동 가속도(vibration acceleration)를 포함할 수 있다. 물론, 진동 관련 데이터가 진동 속도와 진동 가속도에 한정되는 것은 아니다. 좀더 구체적으로, 회전 설비에서는 여러 위치에 센서를 부착하여 진동(Vibration)을 측정할 수 있는데, 진동은 회전 설비의 정상과 비정상 상태를 진단하기 위한 중요한 정보로 사용될 수 있다. 일반적으로 회전 설비에서 기계 진동의 크기 또는 양의 평가를 위해 진동 변위, 진동 속도 및 진동 가속도가 측정 파라미터로 사용할 수 있다. 진동 속도는 시간의 변화에 따른 진동 변위의 변화율이고, 진동 가속도는 시간의 변화에 따른 진동 속도의 변화율을 의미할 수 있다.First, the vibration-related data of the rotating equipment is extracted (S112). In the abnormality detection method of the manufacturing facility of the present embodiment, the vibration-related data of the rotating equipment may include a vibration velocity and a vibration acceleration. Of course, the vibration-related data is not limited to the vibration speed and the vibration acceleration. More specifically, in a rotating facility, vibrations can be measured by attaching sensors at various positions. Vibration can be used as important information for diagnosing the normal and abnormal state of the rotating equipment. In general, vibration displacement, vibration speed and vibration acceleration can be used as measurement parameters to evaluate the magnitude or amount of mechanical vibration in a rotating facility. The vibration speed is a rate of change of the vibration displacement with time, and the vibration acceleration may mean the rate of change of the vibration speed with time.
다음, 진동 관련 데이터를 FFT(Fast Fourier Transform)하여, 스펙트럼 데이터를 산출한다(S114). 진동 속도와 진동 가속도 등의 진동 관련 데이터는 시간을 기반으로 하는 시간 영역(time domain) 데이터이고, FFT를 통해 얻어진 스펙트럼 데이터는 주파수를 기반으로 하는 주파수 영역(frequency domain) 데이터이다. 일반적으로, 진동 측정치들에 대한 시간 영역 분석과 주파수 영역 분석을 통해서 회전 설비에 대한 이상을 감시하고 진단하는 목적으로 활용할 수 있다.Next, the vibration-related data is FFT (Fast Fourier Transform) to calculate spectral data (S114). The vibration-related data such as the vibration velocity and the vibration acceleration are time domain data based on time, and the spectral data obtained through the FFT is frequency domain data based on frequency. In general, it can be used to monitor and diagnose abnormalities in rotating equipment through time domain analysis and frequency domain analysis of vibration measurements.
회전 설비의 기계 부품별 주파수 대역을 설정한다(S116). 좀더 구체적으로 설명하면, 회전 설비의 이상 상태가 발생하면 진동의 폭이 증가하는 경향이 있고, 또한, 기계 부품별 진동 속도 및 진동 가속도에서도 변화가 발생하게 된다. 그에 따라, 진동 속도 및 진동 가속도를 디지털 FFT를 통해 주파수 영역 분석을 하면 기계 부품별에 대응하는 스펙트럼 데이터의 주파수 범위를 구별할 수 있다. 즉, 각각의 기계 부품으로부터 특징적으로 발생하는 결함 증상의 주파수들의 범위를 구별하여 기계 부품별 주파수 대역으로 설정할 수 있다.A frequency band for each machine part of the rotating equipment is set (S116). More specifically, if an abnormal state of the rotating equipment occurs, the width of the vibration tends to increase, and the vibration speed and the vibration acceleration of each machine part also change. Accordingly, frequency domain analysis of vibration velocity and vibration acceleration through digital FFT can discriminate the frequency range of spectral data corresponding to each mechanical part. That is, it is possible to distinguish the frequency range of the fault symptom which characteristically occurs from each mechanical part, and set the frequency band for each mechanical part.
예컨대, 불평형, 및/또는 정렬 불량 등에 의한 운전 주파수(1X)와 이의 조화 성분(2X, 3X 등), 깃 통과 주파수(VPF: Vane Passing Frequency), 외륜 결함 주파수(BPFO: Ball Pass Frequency of the Outer race), 내륜 결함 주파수(BPFI: Ball Pass Frequency of the Inner race), 및 이들의 2차 조화 성분(2VPF, 2BPFO, 2BPFI) 등, 그리고 구름 요소 베어링의 결함 주파수, 및 기어 맞물림 주파수(GMF: Gear Meshing Frequency) 등과 같이 특정 기계 부품별로 주파수 대역을 설정할 수 있다.For example, an operation frequency 1X and harmonic components (2X, 3X, etc.), vane passing frequency (VPF) and outer ring defect frequency (BPFO) due to unbalance and / and the second harmonic component (2VPF, 2BPFO, 2BPFI), etc., and the defect frequency of the rolling element bearing, and the gear engaging frequency (GMF: Gear Meshing Frequency) can be set for each specific machine part.
이후, 각각의 주파수 대역에서의 실효치(Root Mean Square: RMS)를 스펙트럼 특징 데이터로서 추출한다(S118). 본 실시예의 제조 설비의 이상 감지 방법에서는, 전술한 방법을 통해 획득한 스펙트럼 특징 데이터를 제조 설비의 이상을 판단하는데 바로 이용하지 않고, 이하에서 설명하는 바와 같이 제조 설비의 건전성 지수를 산출하는 데에 활용할 수 있다.Then, the root mean square (RMS) in each frequency band is extracted as spectral feature data (S118). In the abnormality detection method of the manufacturing facility of the present embodiment, the spectral characteristic data obtained through the above-described method is not used immediately to determine the abnormality of the manufacturing facility, but rather is used to calculate the health index of the manufacturing facility Can be utilized.
제조 설비에 대한 스펙트럼 특징 데이터를 추출 후, 스펙트럼 특징 데이터를 이용하여 제조 설비에 대한 건전성 지수를 산출한다(S120). 일반적으로 제조업에서 설비의 고장이 자주 발생하지 않기 때문에, 설비의 고장 시점을 기준으로 한 분석을 진행하기가 어렵다. 따라서, 설비의 건전성 지수 산출을 위한 모델의 생성에는 설비가 안정적으로 운영된 기간에서의 스펙트럼 특징 데이터만을 기준 정보로서 활용할 수 있다. 모델의 생성을 위한 기준 정보를 확인하기 위하여, 스펙트럼 특징 데이터의 추출을 진행하기 전에, 진동 속도나 진동 가속도의 측정 데이터를 확인하여, 설비 상태가 안전하다고 판단되는 일정 기간, 즉 설비의 정상 구간을 설정할 수 있다.After extracting the spectral feature data for the manufacturing facility, the health index for the manufacturing facility is calculated using the spectral feature data (S120). Generally, in a manufacturing industry, it is difficult to conduct an analysis based on a failure time point of a facility because the facility failure does not occur frequently. Therefore, the generation of the model for calculating the health index of the facility can utilize only the spectrum characteristic data in the period in which the facility is stably operated as the reference information. In order to confirm the reference information for generation of the model, the measurement data of the vibration speed and the vibration acceleration are checked before the extraction of the spectral characteristic data, Can be set.
덧붙여, 만약 해당 설비의 사고 이력이 있다면, 설비의 정상 구간 데이터와 사고가 발생하기 직전의 구간 데이터의 특징을 비교 분석할 수 있다. 이때 차후에서 설명하는 주성분 분석을 통한 주성분 점수값(score)을 이용하여 정상 상태와 비정상 상태가 시각적으로 비교 가능하며, 주성분의 적재값(loading)을 이용하여, 비정상 상태가 주로 어떤 특징들과 상관성이 있는지 추가 분석도 가능할 수 있다.In addition, if there is an accident history of the facility, the characteristics of the normal section data of the facility and the section data immediately before the accident can be compared and analyzed. At this time, it is possible to visually compare the steady state and the abnormal state by using the principal component score (score) through the principal component analysis described later, and by using the loading of the principal component, the abnormal state is mainly correlated with certain characteristics Additional analysis may be possible.
제조 설비, 예컨대 회전 설비에 대한 건전성 지수를 추출하는 과정을 도 3을 참조하여 설명하면 다음과 같다.A process of extracting a health index for a manufacturing facility, for example, a rotating facility will be described with reference to FIG.
먼저, 스펙트럼 특징 데이터에 대한 주성분 분석(Principal Component Analysis)을 한다(S122). 여기서, 스펙트럼 특징 데이터는 해당 회전 설비에서 여러 개의 센서로부터 측정된 진동 관련 데이터에 대한 스펙트럼 특징 데이터이고, 전술한 바와 같이 해당 회전 설비의 정상 구간에서 획득함으로써, 회전 설비의 정상 상태를 대표할 수 있다. First, Principal Component Analysis is performed on spectral feature data (S122). Here, the spectral characteristic data is spectrum characteristic data on vibration-related data measured from a plurality of sensors in the relevant rotating facility, and can be representative of the steady state of the rotating equipment by acquiring in the normal section of the rotating equipment as described above .
한편, 주성분 분석은 다양한 변수들에 대해 분석하는 소위 다변량(multivariate) 분석으로, 많은 변수들로부터 몇 개의 주성분들을 추출하는 방법을 말한다. 즉, 데이터 분석의 관점에서 주성분 분석은 차원 축소(dimension reduction)를 의미할 수 있다. 예컨대, 스펙트럼 특징 데이터가 p개의 변수로 대표되고, 데이터 크기가 정상 구간에서의 측정 횟수인 N 개일 때, 주성분 분석을 통해 p개 미만의 주성분으로 차원 축약되고, 각각의 주성분은 변수별 적재값(loading, 변수별로 적재된 정도)의 선형 결합으로 주어질 수 있다.On the other hand, principal component analysis is a so-called multivariate analysis that analyzes various variables, and refers to a method of extracting several principal components from many variables. In other words, from the perspective of data analysis, principal component analysis can mean dimension reduction. For example, when the spectral feature data is represented by p variables and the data size is N times the number of measurements in the normal section, the main component is dimensionally reduced to less than p number of principal components through principal component analysis, loading, degree loaded by variable).
한편, 측정 센서별로 시간이 차이가 있을 경우, 시간을 기준으로 하여 데이터를 준비될 수 있다. 또한, 시간에 따라 결측치가 있을 경우, 적절히 대체하거나 해당 시간에 대한 데이터 행(row)을 제거하는 방법을 취할 수 있다. 또한, 변수들의 단위가 다를 경우, 변수별로 평균이 0이고, 분산이 1이 되도록 표준화 처리를 한 후 주성분 분석을 수행할 수 있다.On the other hand, if there is a time difference between the measurement sensors, data can be prepared on the basis of time. In addition, when there is a missing value according to time, it is possible to appropriately replace or remove a row of data for the time. In addition, when the units of variables are different, the principal component analysis can be performed after the standardization processing such that the average is 0 and the variance is 1 for each variable.
한편, 주성분 분석을 통해 주성분의 개수가 선택되는데, 예컨대, 주성분의 개수는 전체 분산의 대략 85% 이상을 설명할 수 있도록 선택할 수 있다. 다시 말해서, 주성분 전체가 분산의 100%을 설명하나, 주성분 분석의 목적이 차원 축소이므로, 설정된 % 이상만을 설명할 수 있도록 주성분의 개수를 선택할 수 있다.On the other hand, the number of principal components is selected through principal component analysis. For example, the number of principal components can be selected to account for about 85% or more of the total variance. In other words, although the entire principal component accounts for 100% of the variance, since the purpose of the principal component analysis is to reduce the dimension, the number of principal components can be selected so that only the set percentage can be explained.
주성분 개수가 정해지면, 선택된 주성분의 개수에 따라 적재값을 이용하여 측정치들에 대한 주성분 점수(score)를 계산한다(S124). 예컨대, N 개의 측정치들 각각에 대한 주성분 점수(X)를 계산할 수 있다.When the number of principal components is determined, a principal component score for the measured values is calculated using the accumulated value according to the number of selected principal components (S124). For example, a principal component score (X) for each of the N measurements can be calculated.
이후, 측정치의 주성분 점수(X)에 대한 마할라노비스 거리(Mahalanobis distance)를 계산하여 제1 건전성 지수(Health Index)로 결정한다(S126).Thereafter, the Mahalanobis distance to the principal component score (X) of the measured value is calculated and determined as the first health index (S126).
여기서, 마할라노비스 거리 dm는 다음과 같은 식(1)로 주어질 수 있다.Here, the Mahalanobis distance dm can be given by the following equation (1).
dm(X, Y) = [(X-Y)TS- 1(X-Y)]1 /2.................................식(1)dm (X, Y) = [ (XY) T S - 1 (XY)] 1/2 ............................ (1)
여기서, X는 어느 하나의 측정치에 대한 벡터이고, Y는 정상 구간의 측정치들에 대한 중심 또는 평균 벡터로서, 각각 주성분 개수에 따른 주성분 점수를 성분 값으로 가질 수 있다. 또한, S는 정상 구간의 측정치들에 대한 공분산 행렬(covariance matrix)일 수 있다. 한편, 현 단계에서의 X는 정상 구간의 측정치들 중 어느 하나의 측정치에 대한 벡터를 대표하고, 측정치들 각각에 대응하는 제1 건전성 지수는 관리 한계선을 설정하는 데에 이용될 수 있다.Here, X is a vector for any one measurement value, and Y is a center or an average vector for measurements of the normal section, and may have a principal component score corresponding to the number of principal components, respectively, as component values. Also, S may be a covariance matrix for measurements of the normal section. On the other hand, X in the present stage represents a vector for any one of the measurements in the normal section, and the first health index corresponding to each of the measurements can be used to set a management threshold.
즉, 산출된 제1 건전성 지수를 이용하여 관리 한계선을 설정한다(S130). 관리 한계선은 차후 감시 구간에서 계산된 제2 건전성 지수와 비교하여, 현재 설비의 건강 상태, 즉, 설비가 정상인지 비정상인지를 판단하는 기준이 될 수 있다. 본 실시예의 제조 설비의 이상 감지 방법에서, 관리 한계선은 제1 건전성 지수를 이용한 붓스트랩(bootstrap) 기법을 통해 설정할 수 있다. 관리 한계선의 설정에 대해서는 도 4의 설명 부분에서 좀더 상세히 설명한다.That is, a management limit line is set using the calculated first health index (S130). The management limit line may be a criterion for judging whether the current health status of the facility, that is, whether the facility is normal or abnormal, in comparison with the second health index calculated in the subsequent monitoring period. In the abnormality detection method of the manufacturing facility of the present embodiment, the management limit line can be set through a bootstrap technique using the first health index. The setting of the management limit line will be described in more detail in the description of FIG.
관리 한계선 설정 후, 감시 구간에서 제조 설비에 대한 스펙트럼 특징 데이터를 추출한다(S140). 여기서, 감시 구간은 해당 제조 설비에 대한 상태를 감시하는 구간인 현재 시점을 의미할 수 있다. 스펙트럼 특징 데이터를 추출하는 과정은 추출하는 시점만 다를 뿐, 도 2를 통해 설명한 바와 같다. 다만, 기계 부품별 주파수 대역은 기존에 설정된 대역을 그대로 이용하면 되므로, 기계 부품별 주파수 대역을 설정하는 단계(S116)는 다시 수행할 필요는 없다.After setting the management limit line, spectrum characteristic data for the manufacturing facility is extracted in the monitoring section (S140). Here, the monitoring interval may refer to the present time, which is a section for monitoring the status of the manufacturing facility. The process of extracting the spectral feature data is only described at the time of extraction, as described with reference to FIG. However, since the previously set frequency band can be used as the frequency band for each mechanical part, the step of setting the frequency band for each mechanical part (S116) need not be performed again.
다음, 제조 설비에 대한 제2 건전성 지수를 산출한다(S150). 제2 건전성 지수는 감시 구간에서 추출된 스펙트럼 특징 데이터를 이용하여 산출할 수 있다. 그에 따라, 제2 건전성 지수는 앞서 도 3을 통해 설명한 과정을 통해 산출할 수 있으며, 또한 식(1)을 이용하여 산출할 수 있다. 다만, 식(1)에서, X는 감시 구간인 현재 시점에서 측정된 측정치에 대한 벡터일 수도 있고, 식(1)을 통해 계산된 마할라노비스 거리, 즉 제2 건전성 지수는 현재 설비의 건강 상태를 대표할 수 있다.Next, the second health index for the manufacturing facility is calculated (S150). The second soundness index can be calculated using the spectral feature data extracted from the monitoring section. Accordingly, the second soundness index can be calculated through the process described above with reference to FIG. 3 and can be calculated using Equation (1). However, in equation (1), X may be a vector of measured values measured at the present time, which is a monitoring interval, and the Mahalanobis distance calculated through equation (1), i.e., the second health index, .
다시 말해서, 정상 구간은 설비가 건강하다고 판정된 기간이고, Y가 정상 구간의 측정치에 대한 데이터이므로, 마할라노비스 거리는 결국 현재 측정된 데이터를 정상 구간에 측정된 데이터와 비교하여 어느 정도의 비유사성을 갖는지에 따라 설비의 건강 상태를 판단한다는 척도일 수 있다. 즉, 계산된 마할라노비스 거리의 결과값이 크면, 비유사도가 크고 설비의 건강 상태가 나쁨을 의미하고, 반대로 결과값이 작으면, 비유사도가 작고 설비의 건강 상태가 양호함을 의미할 수 있다.In other words, since the normal section is the period during which the facility is determined to be healthy and Y is the data for the measurements of the normal section, the Mahalanobis distance eventually compares the currently measured data with the data measured in the normal section, The health status of the facility may be determined. In other words, if the calculated value of the Mahalanobis distance is large, it means that the non-illusory figure is large and the health condition of the facility is bad. Conversely, if the result value is small, it means that the non- have.
제2 건전성 지수 획득 후, 제2 건전성 지수가 관리 한계선보다 큰지 판단한다(S160). 만약, 제2 건전성 지수가 관리 한계선 이하이면(No), 해당 제조 설비를 정상이라고 판단하고(S180), 감시 구간에서의 스펙트럼 특징 데이터를 추출하는 단계(S140)로 이행한다.After acquiring the second soundness index, it is determined whether the second soundness index is larger than the management limit line (S160). If the second health index is below the management limit line (No), it is determined that the manufacturing facility is normal (S180), and the process shifts to step S140 for extracting the spectral characteristic data in the monitoring section.
한편, 제2 건전성 지수가 관리 한계선보다 크면(Yes), 해당 제조 설비에 이상이 있는 것으로 판단한다(S170). 제조 설비의 이상 감지의 목적을 달성하였으므로, 제조 설비의 이상 감지 방법을 종료한다. 물론, 해당 제조 설비가 유지 보수를 통해 정상으로 복구된 경우에, 다시 제조 설비의 이상 감지 방법을 적용할 수 있다.On the other hand, if the second health index is larger than the management limit (Yes), it is determined that the manufacturing facility is abnormal (S170). Since the purpose of the abnormality detection of the manufacturing facility has been accomplished, the abnormality detection method of the manufacturing facility is terminated. Of course, when the manufacturing facility is restored to the normal state through maintenance, the abnormality detection method of the manufacturing facility can be applied again.
도 4는 도 1의 제조 설비의 이상 감지 방법에서, 관리 한계선을 설정하는 단계에서 이용하는 붓스트랩 기법을 설명하기 위한 개념도이다.4 is a conceptual diagram for explaining a bootstrap technique used in the step of setting a management limit line in the abnormality detection method of the manufacturing facility of FIG.
도 4를 참조하면, 전술한 바와 같이, 설비의 이상 여부를 판단하기 위해서는 관리 한계선이 필요하고, 본 실시예의 제조 설비의 이상 감지 방법에서는 붓스트랩 기법을 이용하여 관리 한계선을 설정한다. 구체적으로 설명하면,Referring to FIG. 4, as described above, a management limit line is required to determine whether the equipment is abnormal. A management limit line is set using a bootstrap method in the abnormality detection method of the manufacturing facility of the present embodiment. Specifically,
설비의 정상 구간에서, 산출된 N 개의 건전성 지수가 있다고 하자. 도 4에서, m1, m2, ..., mN가 정상 구간에서의 측정치들 각각의 건강성 지수를 의미할 수 있다.Assume that there are N health indices calculated in the normal section of the facility. In FIG. 4, m 1 , m 2 , ..., m N may mean the health index of each of the measurements in the normal section.
먼저, N 개의 건전성 지수에서, 복원 추출로 B 개의 데이터 집합을 생성한다. 여기서, 데이터 집합은 각각 N 개의 원소를 포함하고, B 개는, 예컨대 1000 내지 2000개 정도일 수 있다. 물론, 데이터 집합의 개수가 상기 수치에 한정되는 것은 아니다. 한편, 데이터 집합 내의 각각의 원소들, 예컨대, 샘플 1 데이터 집합의 원소들 m(1) 1, m(1) 2, ..., m(1) N 각각은 N 개의 건전성 지수들 중 어느 하나이고, 서로 중복될 수 있고, 또한 집합 내에서 크기 순서로 순차적으로 나열될 수 있다.First, at N health indices, B data sets are generated by restoration extraction. Here, the data set includes N elements each, and the number of B data may be, for example, about 1000 to 2000. Of course, the number of data sets is not limited to the above values. On the other hand, each of the elements in the data set, for example, elements m (1) 1 , m (1) 2 , ..., m (1) N of the
이렇게 얻어진 B 개의 데이터 집합에서 사용자가 선택한 주의 및 알람 수준에 따라 분위수 값의 평균값을 산출하여, 관리 한계선으로 설정할 수 있다. 예컨대, 만약 주의 수준이 5%이고, 경고 수준이 1%라고 한다면, B 개의 데이터 집합 각각의 95%와 99%에 해당하는 분위수 값의 평균값을 각각 주의용 관리 한계선과 경고용 관리 한계선으로 설정할 수 있다.In the B data sets thus obtained, the average value of the quantile values can be calculated according to the attention and alarm level selected by the user, and can be set as the management limit line. For example, if the alert level is 5% and the alert level is 1%, then the average values of the 95% and 99% of the B data sets, respectively, can be set as the alert threshold and alert threshold have.
좀더 구체적으로 예를 들면, N이 100이고, 주의 수준이 5%, 즉 α가 0.05인 경우, 각각의 샘플 집합에서 95번째 분위수 값들, 즉 m(1) (100(1-α)), m(2) (100(1-α)), ..., m(B) (100(1-α))을 추출한다. 이후, 추출된 분위수 값들의 평균, 즉 1/B∑m(i) (100(1-α))을 계산하여, 주의용 관리 한계선으로 설정할 수 있다. 경고용 관리 한계선도 동일한 방법을 통해 설정할 수 있다.More specifically, for example, if N is 100 and the attention level is 5%, that is, a is 0.05, the 95th quintile values in each sample set, namely m (1) (100 (2) (100 (1 -?)) , ..., m (B) 100 (1 -?) . Thereafter, the average of the extracted quantile values, i.e., 1 / BΣm (i) (100 (1-a)) , can be calculated and set as the care management limit line. The control limits for alarms can also be set in the same way.
이와 같이 획득한 붓스트랩 기반 관리 한계선을 기준으로 해당 설비를 감시 및 운용할 수 있다. 또한, 설정된 주의용 및 경고용 관리 한계선에 따라 주의 및 경고 수준의 알람을 발생시키도록 할 수 있다. The facility can be monitored and operated based on the acquired bootstrap-based management limit line. In addition, it is possible to generate alarms of warning and warning levels according to the set warning and control limits for alarms.
도 5는 본 발명의 일 실시예에 따른 제조 설비의 이상 진단 방법을 개략적으로 보여주는 흐름도이다. 도 1 내지 도 4의 설명 부분에서 이미 설명한 내용은 간단히 설명하거나 생략한다.5 is a flowchart schematically illustrating a method for diagnosing an abnormality in a manufacturing facility according to an embodiment of the present invention. The contents already described in the description of FIGS. 1 to 4 will be briefly described or omitted.
도 5를 참조하면, 먼저, 도 1의 제조 설비의 이상 감지 방법의 일련의 단계들, 즉, 스펙트럼 특징 데이터를 추출하는 단계(S110)로부터 제조 설비의 이상으로 판단하는 단계(S170) 또는 제조 설비를 정상으로 판단하는 단계(S180)를 수행한다. Referring to FIG. 5, a series of steps of the abnormality detection method of the manufacturing facility of FIG. 1, that is, the step of extracting the spectrum characteristic data (S110) (Step S180).
제조 설비를 정상으로 판단하는 단계(S180)의 경우는 도 1에서 설명한 바와 같이 감시 구간에서의 스펙트럼 특징 데이터를 추출하는 단계(S140)로 이행한다. In the case of determining that the manufacturing equipment is normal (S180), the process proceeds to step S140 of extracting the spectral characteristic data in the monitoring section as described with reference to Fig.
한편, 제조 설비에 이상이 있는 것으로 판단하는 단계(S170)의 경우, 도 1에서와 달리, 제2 건전성 지수에 영향을 미치는 성분들에 대한 기여도를 산출한다(S190). 여기서, 기여도는, 측정치의 각 성분들이 제2 건전성 지수에 어느 정도의 영향을 미치는지를 나타낼 수 있다. 예컨대, 기여도는 설비의 기계 부품별 스펙트럼 특징 데이터가 제2 건전성 지수에 어느 정도의 영향을 미치는지를 나타낼 수 있다.On the other hand, in the case where it is determined that there is an abnormality in the manufacturing facility (S170), the contribution to the components that affect the second soundness index is calculated (S190). Here, the contribution may indicate to what extent each of the components of the measurement has an influence on the second health index. For example, the contribution may indicate to what extent the spectral feature data of the machine parts of the plant have an effect on the second health index.
기여도는, 예컨대 제2 건전성 지수를 계산할 때, 측정치의 어느 한 성분, 예컨대, 설비의 어느 한 기계 부품을 대표하는 스펙트럼 특징 데이터를 빼고 제2 건전성 지수를 계산하는 방법을 통해 계산될 수 있다. 이와 같이, 성분들 각각에 대하여 기여도를 계산하여, 제2 건전성 지수에 가장 영향을 많이 미치는 적어도 하나의 성분을 찾음으로써, 해당 성분에 대응하는 기계 부품에서 이상이 발생한 것으로 진단할 수 있다. 따라서, 본 실시예의 제조 설비의 이상 진단 방법은 기여도 분석을 통해 설비의 이상 발생 위치를 정확하게 확인 및 진단함으로써, 차후 설비에 대한 예비적 유지 보수를 보다 신속하고 용이하게 진행할 수 있도록 한다.The contribution can be calculated, for example, by calculating a second soundness index by subtracting spectral feature data representative of any one component of the measurement, for example, any mechanical component of the equipment, and calculating a second soundness index. Thus, by calculating the contribution to each of the components, it is possible to diagnose that an abnormality has occurred in the mechanical component corresponding to the component by finding at least one component most influential on the second health index. Therefore, the abnormality diagnosis method of the manufacturing facility of the present embodiment enables precise maintenance and repair of the next facility to be carried out more quickly and easily by accurately checking and diagnosing the abnormality occurrence position of the facility through the contribution analysis.
도 6은 도 1 및 도 5의 제조 설비의 이상 감지 및 진단 방법을 개괄적으로 보여주는 도면이다.FIG. 6 is a schematic view showing an abnormality detection and diagnosis method of the manufacturing facilities of FIGS. 1 and 5. FIG.
도 6을 참조하면, 먼저, 건전성 지수 모델링을 위하여, 스펙트럼 특징 데이터 추출한다. 즉, 설비에 대한 시간 영역 데이터, 예컨대 진동 속도와 가속도 데이터를 측정하고, FFT를 통해 주파수 영역의 데이터를 획득한다. 또한, 주파수 영역 데이터를 설비의 기계 부품별로 주파수 대역으로 구별하여 스펙트럼 특징 데이터로서 추출한다. 건전성 지수의 정확도를 높이기 위하여, 스펙트럼 특징 데이터의 추출이 중요할 수 있다.Referring to FIG. 6, first, spectral feature data is extracted for soundness index modeling. That is, time-domain data, for example, vibration velocity and acceleration data for the facility are measured and frequency-domain data is obtained through FFT. In addition, the frequency domain data is divided into frequency bands for each machine part of the facility and extracted as spectrum characteristic data. In order to increase the accuracy of the health index, the extraction of spectral feature data may be important.
한편, 감시하고자 하는 설비의 정상 구간을 설정하고, 정상 구간에서 추출된 스펙트럼 특징 데이터를 이용하여 건전성 지수를 산출한다. 건전성 지수의 모델 생성을 위해 적절한 정상 구간의 설정이 필요하고, 또한, 정상 구간에서 산출된 건전성 지수들은 관리 한계선을 설정하는 데에 이용될 수 있다.On the other hand, the normal section of the facility to be monitored is set, and the soundness index is calculated by using the spectral characteristic data extracted from the normal section. It is necessary to establish appropriate normal sections for the modeling of the soundness index, and the health indices calculated in the normal section can be used to set the management limit.
이후, 건전성 지수 및 관리 한계선을 기초로 하여 회전 설비에 대한 감시 및 진단을 수행할 수 있다. 오른쪽 위 도면에서, EOL은 해당 회전 설비의 수명 종료를 판단할 수 있는 기준일 수 있다. 또한, 아래의 라인은 주의용 관리 한계선에 해당하며, 그 위의 라인은 경고용 관리 한계선에 해당할 수 있다.Thereafter, surveillance and diagnosis of the rotating equipment can be performed on the basis of the soundness index and the management limit line. In the upper right figure, the EOL may be a criterion for determining the end of life of the rotating equipment. In addition, the lines below correspond to the care limits for care, and the lines above may correspond to the care limits for warning.
따라서, 현재의 시점에서 산출된 해당 설비의 건전성 지수를 주의용 또는 경고용 관리 한계선과 비교하면서, 현재의 설비의 정상 상태 여부를 감시할 수 있다. 또한, 현재의 시점에서 설비에 이상이 있는 것으로 판단된 경우에, 기여도 분석을 하여 설비의 어느 부분에 이상이 발생하였는지 진단할 수 있다. 그에 따라, 설비에 대한 예비적 유지 보수를 보다 신속하고 용이하게 진행할 수 있다.Therefore, it is possible to monitor whether the current facility is in a steady state, comparing the health index of the facility calculated at the present time with the control limits for warning or warning. In addition, when it is judged that there is an abnormality in the facility at the present time, it is possible to diagnose which part of the facility has occurred due to the contribution analysis. As a result, preliminary maintenance for the facility can be performed more quickly and easily.
본 발명의 일 실시예에 따른 제조 설비의 이상 감지 및 진단 방법을 간단히 요약하면, 하나의 설비로부터 수집되는 여러 진동 관련 데이터로부터 설비의 정상 상태 기간으로 설정한 정상 구간의 측정치들의 데이터 특성 대비 새로 측정한 관측치들의 데이터 특성이 어떻게 변화하는지에 대한 거리 개념을 도입하여, 설비의 여러 곳에서 측정되는 진동 관련 데이터를 하나의 설비 건전성 지수로 대표할 수 있다. 즉, 종래의 기술은 설비 기준의 예방 진단이라기보다는 설비에 부착된 센서별 진단이었으나, 본 발명의 일 실시예에 따른 제조 설비의 이상 감지 및 진단 방법은 설비의 종합적인 상태를 하나의 건전성 지수로 산출하고 이를 토대로 이상 징후를 포착, 이상 발생 위치에 대한 진단을 할 수 있다. The method of detecting and diagnosing an abnormality of a manufacturing facility according to an embodiment of the present invention can be briefly summarized as follows. Namely, from the various vibration-related data collected from one facility, By introducing the distance concept of how the data characteristics of one observation change, the vibration related data measured at various locations of the plant can be represented by a single plant health index. That is, the conventional technique is a diagnosis for each sensor attached to a facility rather than a preventive diagnosis based on facilities. However, the method for detecting and diagnosing an abnormality of a manufacturing facility according to an embodiment of the present invention, Based on this, it is possible to catch abnormal symptoms and to diagnose the location of the abnormality.
따라서, 본 발명 일 실시예에 따른 제조 설비의 이상 감지 및 진단 방법은 엔지니어가 관리해야 할 대상 설비가 많고 측정 센서가 많아서 업무 과부하로 인해 제때에 설비의 이상 상태를 진단하지 못하는 오류를 최소화하고, 시스템에 의한 일관성 있는 진단을 수행할 수 있으므로 엔지니어의 경험의 정도에 따른 변동성을 줄일 수 있다.Therefore, the abnormality detection and diagnosis method of the manufacturing facility according to the embodiment of the present invention minimizes the error that the engineer can not diagnose the abnormality of the equipment due to the overload of the business due to a large number of target facilities to be managed and a large number of measurement sensors, The consistent diagnosis by the system can be performed, which reduces the variability depending on the degree of experience of the engineer.
지금까지, 본 발명을 도면에 도시된 실시예를 참고로 설명하였으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the present invention has been described with reference to exemplary embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. will be. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.
Claims (9)
상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계;
상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계;
감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계;
상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 및
상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계;를 포함하는 제조 설비의 이상 감지 방법.Extracting first spectral feature data for a manufacturing facility in a normal section;
Calculating a first health index for the manufacturing facility based on the first spectral feature data;
Setting a management limit line based on the first health index;
Extracting second spectral feature data for a manufacturing facility in a monitoring section;
Calculating a second health index for the manufacturing facility based on the second spectral feature data; And
And comparing the second health index with the management limit line to determine an abnormality in the manufacturing facility.
상기 제조 설비는 회전 설비이고,
상기 제1 또는 제2 스펙트럼 특징 데이터를 추출하는 단계는,
시간 영역에서 측정된 상기 회전 설비에 대한 측정치들을 FFT(Fast Fourier Transform) 변환하는 단계; 및
상기 회전 설비의 기계 부품별 주파수 대역에서 실효치(Root Mean Square: RMS)를 상기 제1 또는 제2 스펙트럼 특징 데이터로서 추출하는 단계;를 포함하고,
상기 주파수 대역은 기본 성분(fundamental component) 및 조화 성분들(harmonic components) 중 적어도 하나의 주파수 대역을 포함하는 것을 특징으로 하는 제조 설비의 이상 감지 방법.The method according to claim 1,
The manufacturing facility is a rotating facility,
Wherein the extracting of the first or second spectral feature data comprises:
Performing FFT (fast Fourier transform) on the measured values of the rotating equipment measured in the time domain; And
And extracting a root mean square (RMS) as the first or second spectral feature data in a frequency band of each machine part of the rotating equipment,
Wherein the frequency band comprises at least one of a fundamental component and a harmonic component.
상기 제1 건전성 지수를 산출하는 단계는,
상기 제조 설비의 측정치들에 대응하는 상기 스펙트럼 특징 데이터들에 대한 주성분 분석(Principal Component Analysis)을 통해 주성분의 개수를 선택하는 단계;
상기 주성분의 개수에 따라, 적재값(loading)을 이용하여 측정치들에 대한 주성분 점수를 계산하는 단계; 및
측정치들의 상기 주성분 점수에 대하여 마할라노비스 거리(Mahalanobis distance)를 계산하여 상기 제1 건전성 지수로 결정하는 단계;를 포함하는 것을 특징으로 하는 제조 설비의 이상 감지 방법.The method according to claim 1,
Wherein the calculating the first health index comprises:
Selecting a number of principal components through Principal Component Analysis on the spectral feature data corresponding to the measurements of the manufacturing facility;
Calculating a principal component score for measured values using loading based on the number of principal components; And
Calculating a Mahalanobis distance (Mahalanobis distance) with respect to the principal component score of the measured values, and determining the Mahalanobis distance as the first health index.
상기 마할라노비스 거리는 상기 측정치들의 어느 하나의 상기 주성분 점수와 상기 측정치들에 대한 주성분 점수들의 중심 또는 평균 사이의 거리인 것을 특징으로 하는 제조 설비의 이상 감지 방법.The method of claim 3,
Wherein the Mahalanobis distance is a distance between a center of the principal component scores of any one of the measurements and an average of the principal component scores of the measurements.
상기 관리 한계선을 설정하는 단계에서,
상기 관리 한계선은, 복수 개의 상기 제1 건전성 지수를 이용하여 붓스트랩(bootstrap) 기법으로 생성하는 것을 특징으로 하는 제조 설비의 이상 감지 방법.The method according to claim 1,
In the step of setting the management limit line,
Wherein the management limit line is generated by a bootstrap method using a plurality of the first health indexes.
상기 붓스트랩 기법은,
상기 제1 건전성 지수의 개수가 N 개일 때, 복원 추출을 통해 각각 N 개의 성분을 갖는 M 개의 집합을 생성하고, 각각의 집합에서 상기 제1 건전성 지수를 크기별로 나열한 후, 설정된 위치의 값들을 평균하여 상기 관리 한계선으로 설정하는 방법인 것을 특징으로 하는 제조 설비의 이상 감지 방법.6. The method of claim 5,
The bootstrap technique,
When the number of the first health indices is N, M sets having N components are generated through restoration extraction, and the first health index is sorted by size in each set, And setting the control limit line to the management limit line.
상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계;
상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계;
감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계;
상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계;
상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계; 및
상기 제조 설비에 이상이 발생한 것으로 판단된 경우에, 상기 제조 설비의 어느 부분에서 이상이 발생한 것인지 진단하는 단계;를 포함하는 제조 설비의 이상 진단 방법.Extracting first spectral feature data for a manufacturing facility in a normal section;
Calculating a first health index for the manufacturing facility based on the first spectral feature data;
Setting a management limit line based on the first health index;
Extracting second spectral feature data for a manufacturing facility in a monitoring section;
Calculating a second health index for the manufacturing facility based on the second spectral feature data;
Comparing the second health index with the management limit line to determine an abnormality of the manufacturing facility; And
And diagnosing which part of the manufacturing facility has an abnormality when it is determined that an abnormality has occurred in the manufacturing facility.
상기 이상이 발생한 것인지 진단하는 단계에서,
상기 제2 건전성 지수에 영향을 미치는 성분들에 대한 기여도를 산출하여 진단하는 것을 특징으로 하는 제조 설비의 이상 진단 방법.8. The method of claim 7,
In the step of diagnosing whether the abnormality has occurred,
And calculating the contribution to the components affecting the second soundness index to diagnose the abnormality of the manufacturing facility.
상기 기여도는 상기 제2 건전성 지수의 계산에서 어느 한 성분을 빼고 계산한 값으로 나타나며,
상기 기여도에 기초하여 상기 제조 설비의 이상이 발생한 부분을 진단하는 것을 특징으로 하는 제조 설비의 이상 진단 방법.9. The method of claim 8,
The contribution is expressed as a value calculated by subtracting any one component from the calculation of the second soundness index,
And diagnoses a part where an abnormality has occurred in the manufacturing facility based on the contribution.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170184807A KR102040179B1 (en) | 2017-12-29 | 2017-12-29 | Method for sensing and diagnosing abnormality of manufacture equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170184807A KR102040179B1 (en) | 2017-12-29 | 2017-12-29 | Method for sensing and diagnosing abnormality of manufacture equipment |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190081933A true KR20190081933A (en) | 2019-07-09 |
| KR102040179B1 KR102040179B1 (en) | 2019-11-05 |
Family
ID=67261827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170184807A KR102040179B1 (en) | 2017-12-29 | 2017-12-29 | Method for sensing and diagnosing abnormality of manufacture equipment |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102040179B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021075857A1 (en) * | 2019-10-15 | 2021-04-22 | 주식회사 아이티공간 | Method for detecting integrity index of device via distribution chart |
| WO2021075842A1 (en) * | 2019-10-15 | 2021-04-22 | 주식회사 아이티공간 | Method of predictively maintaining equipment by means of distribution map |
| KR20220102364A (en) * | 2021-01-13 | 2022-07-20 | 텔스타홈멜 주식회사 | System for Predicting Flaw of Facility Using Vibration Sensor |
| KR20230005672A (en) * | 2021-07-01 | 2023-01-10 | 한국항공대학교산학협력단 | Linear motion guide health evaluation system and method thereof |
| WO2024039076A1 (en) * | 2022-08-19 | 2024-02-22 | 한국전력공사 | Intelligent health index calculation system and method for state evaluation of equipment assets |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230075244A (en) | 2021-11-22 | 2023-05-31 | (주)세종그룹엔지니어링 | System for detection of abnormalities in building facilities |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007108107A (en) * | 2005-10-17 | 2007-04-26 | Mitsubishi Electric Corp | Facility diagnostic device |
| KR20130008445A (en) * | 2011-07-12 | 2013-01-22 | 주식회사 칸 | System and method for monitoring state of a rotation body of marine structure |
| KR20170066818A (en) * | 2015-12-07 | 2017-06-15 | 현대위아 주식회사 | Method of tool wear and breakage detection for material cutting operations |
-
2017
- 2017-12-29 KR KR1020170184807A patent/KR102040179B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007108107A (en) * | 2005-10-17 | 2007-04-26 | Mitsubishi Electric Corp | Facility diagnostic device |
| KR20130008445A (en) * | 2011-07-12 | 2013-01-22 | 주식회사 칸 | System and method for monitoring state of a rotation body of marine structure |
| KR20170066818A (en) * | 2015-12-07 | 2017-06-15 | 현대위아 주식회사 | Method of tool wear and breakage detection for material cutting operations |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021075857A1 (en) * | 2019-10-15 | 2021-04-22 | 주식회사 아이티공간 | Method for detecting integrity index of device via distribution chart |
| WO2021075842A1 (en) * | 2019-10-15 | 2021-04-22 | 주식회사 아이티공간 | Method of predictively maintaining equipment by means of distribution map |
| KR20220102364A (en) * | 2021-01-13 | 2022-07-20 | 텔스타홈멜 주식회사 | System for Predicting Flaw of Facility Using Vibration Sensor |
| KR20230005672A (en) * | 2021-07-01 | 2023-01-10 | 한국항공대학교산학협력단 | Linear motion guide health evaluation system and method thereof |
| WO2024039076A1 (en) * | 2022-08-19 | 2024-02-22 | 한국전력공사 | Intelligent health index calculation system and method for state evaluation of equipment assets |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102040179B1 (en) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190081933A (en) | Method for sensing and diagnosing abnormality of manufacture equipment | |
| US10725439B2 (en) | Apparatus and method for monitoring a device having a movable part | |
| CN113834657B (en) | Bearing fault early warning and diagnosis method based on improved MSET and frequency spectrum characteristics | |
| CN108896299A (en) | A kind of gearbox fault detection method | |
| CN103616187A (en) | Fault diagnosis method based on multi-dimension information fusion | |
| CN110823576A (en) | Mechanical anomaly detection method based on generation of countermeasure network | |
| CN111122191B (en) | Equipment health alarm threshold setting method based on EWMA control | |
| JP6714498B2 (en) | Equipment diagnosis device and equipment diagnosis method | |
| US20240053225A1 (en) | Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component | |
| CN116304848B (en) | Rolling bearing fault diagnosis system and method | |
| KR20140072331A (en) | Method for preliminary surveillance of failure diagnosis | |
| CN112964470A (en) | Method for detecting early failure of rolling bearing based on bearing health index | |
| CN112326246A (en) | Bearing safety state online monitoring method based on periodic data and nuclear density estimation | |
| Zhang et al. | Condition monitoring and fault detection of a compressor using signal processing techniques | |
| JP5751606B2 (en) | Abnormality diagnosis system for machinery | |
| Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
| JP7415850B2 (en) | Structural abnormality diagnosis device and structural abnormality diagnosis method | |
| EP3819608A1 (en) | Detecting rotor anomalies by determining vibration trends during transient speed operation | |
| Galar et al. | Application of dynamic benchmarking of rotating machinery for e-maintenance | |
| CN116802471A (en) | Method and system for comprehensively diagnosing defects of rotary machine | |
| KR20220096794A (en) | Method and system for diagnosing defects in rotating machinery | |
| KR101928423B1 (en) | Method for sensing shortage of lubricating oil | |
| Baglio et al. | On-line condition monitoring tool for nuclear research reactors coolant system components | |
| Mączak | Local meshing plane as a source of diagnostic information for monitoring the evolution of gear faults | |
| JP7476440B2 (en) | Method for diagnosing abnormalities in the shock system of rotating machinery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |