KR20200031463A - 로봇 고장원인 진단 시스템 및 방법 - Google Patents

로봇 고장원인 진단 시스템 및 방법 Download PDF

Info

Publication number
KR20200031463A
KR20200031463A KR1020180110522A KR20180110522A KR20200031463A KR 20200031463 A KR20200031463 A KR 20200031463A KR 1020180110522 A KR1020180110522 A KR 1020180110522A KR 20180110522 A KR20180110522 A KR 20180110522A KR 20200031463 A KR20200031463 A KR 20200031463A
Authority
KR
South Korea
Prior art keywords
vibration
robot
failure
neural network
network model
Prior art date
Application number
KR1020180110522A
Other languages
English (en)
Inventor
남태현
심재홍
Original Assignee
한국산업기술대학교산학협력단
시그널링크 주식회사
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 한국산업기술대학교산학협력단, 시그널링크 주식회사 filed Critical 한국산업기술대학교산학협력단
Priority to KR1020180110522A priority Critical patent/KR20200031463A/ko
Publication of KR20200031463A publication Critical patent/KR20200031463A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

본 발명의 실시예들은 로봇의 진동을 감지한 진동정보를 입력받는 입력부, 상기 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류부 및 상기 신경망모델을 학습시키는 신경망모델부를 포함하는 로봇 고장원인 진단 시스템 및 방법을 제공한다.
이에, 본 발명의 실시예들은 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력함으로써, 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.

Description

로봇 고장원인 진단 시스템 및 방법{DIAGNOSIS SYSTEM AND METHOD OF FAILURE CAUSE OF ROBOT}
본 발명의 실시예들은 로봇 고장원인 진단 시스템 및 방법에 관한 것으로서, 더욱 상세하게는, 로봇 구동 시 로봇에 고장이 발생한 경우에 고장을 진단하고 분류하기 위한 로봇 고장원인 진단 시스템 및 방법에 관한 것이다.
최근 기계장비의 고장을 측정하는 방법으로 3차원 진동궤적모니터링(3 dimensional vibration monitoring)이 사용되고 있다. 3차원 운동을 하는 로봇의 진동은 3차원적으로 발생하여 로봇의 작업 정밀도에 큰 영향을 줄 수밖에 없으므로 3차원 진동궤적모니터링이 필요하다.
3차원 진동궤적모니터링은 정밀작업을 수행하는 로봇에 3차원 진동센서를 부착하여 로봇의 진동을 3차원 궤적 형태로 모니터링함으로써 이루어질 수 있다.
도 1은 3차원 진동궤적의 일례를 예시적으로 나타낸 것이다.
도 1을 참조하면, 로봇에 고장이 없는 정상 상태일 경우에 3차원 진동크기는 X, Y, Z 축에 대해서 특정한 값 사이로 수렴되어 3차원 진동궤적은 박스(box)형태(X축, Y축 및 Z축의 값이 -0.15부터 0.11 사이)를 나타낼 수 있고 3차원 진동궤적이 도 3의 박스를 벗어나면 로봇에 고장이 있는 것으로 판단할 수 있다.
그런데, 3차원 진동궤적을 이용할 경우에 3차원 운동을 수행하는 로봇의 고장 유무를 판단할 수는 있으나 로봇의 어느 부위에 고장이 났는지를 파악하기는 매우 어렵다.
종래기술을 살펴보면 다음과 같다.
한국공개특허 제10-2017-0121869호는 가공 진동 모니터링에 관한 것으로서, 보다 상세하게는 가공로봇의 3D 가공 진동 모니터링 시스템으로서 가공로봇의 임의의 부분에 임의의 수만큼 설치되어 각각의 진동을 측정하며, 가공로봇의 임의의 가공통계범위에서 측정되는 진동신호의 평균값 및 표준편차를 계산하여 진동기준을 설정하는 스마트 진동 센서; 상기 스마트 진동 센서로부터 측정되는 각각의 진동신호 및 진동기준신호를 수집하는 센서노드부; 상기 센서노드부가 수집한 진동신호 및 진동기준신호를 수신하며, 상기 수신된 진동기준신호 이후에 수신되는 진동신호가 상기 진동기준신호 범위에 포함되는지를 판단하는 판정부; 및 상기 판정부로부터 판단되는 결과를 표시하는 표시부를 포함하는 가공로봇의 3차원 가공 진동 모니터링 시스템 및 방법을 개시한다.
그러나, 종래기술은 로봇의 어느 부위에 고장이 났는지 판단할 수 있는 구체적인 방법을 제시하지 못한다.
전술한 문제점을 해결하기 위하여, 본 발명의 실시예들은 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명의 실시예들은 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명의 실시예들은 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명의 실시예들은 3차원 상의 진동정보 또는 3차원 상의 진동정보의 주파수 성분 으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템 및 방법을 제공하는데 그 목적이 있다.
전술한 목적을 달성하기 위한 본 발명의 일 실시예는 로봇의 진동을 감지한 진동정보를 입력받는 입력부; 상기 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류부; 및 상기 신경망모델을 학습시키는 신경망모델부를 포함하는 로봇 고장원인 진단 시스템을 제공한다.
일 실시예에서, 상기 분류부는 특정시간 동안의 상기 진동정보로부터 산출된 진동가속도의 평균값, 최대값 및 분산값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류할 수 있다.
일 실시예에서, 상기 분류부는 상기 분류부는 특정시간 동안의 상기 진동정보의 주파수 성분 중 진폭의 최대값 및 진폭의 최대값에 해당하는 주파수 값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류할 수 있다.
일 실시예에서, 상기 로봇의 동작은 구동 방법이 상이한 복수의 단위동작을 포함하고, 상기 분류부는 상기 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류할 수 있다.
일 실시예에서, 상기 분류부는 상기 진동정보로부터 단위동작 별 진동정보를 추출할 수 있다.
또한, 전술한 목적을 달성하기 위한 본 발명의 다른 실시예는 신경망모델을 학습시키는 학습단계; 로봇의 진동을 감지한 진동정보를 입력받는 입력단계; 및 상기 진동정보로부터 산출된 진동특징정보를 상기 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류단계를 포함하는 로봇 고장원인 진단 방법을 제공한다.
이상과 같이, 본 발명의 실시예들은 로봇의 진동을 감지한 진동정보를 입력받는 입력부, 상기 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류부; 및 상기 신경망모델을 학습시키는 신경망모델부를 포함하는 로봇 고장원인 진단 시스템을 제공함으로써, 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 본 발명의 실시예들은 특정시간 동안의 상기 진동정보로부터 산출된 진동가속도의 평균값, 최대값 및 분산값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류함으로써, 고장원인 별 진동에너지의 특징을 반영하여 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 본 발명의 실시예들은 특정시간 동안의 상기 진동정보의 주파수 성분 중 진폭의 최대값 및 진폭의 최대값에 해당하는 주파수 값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류함으로써, 고장원인 별 진동의 특징을 반영하여 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 본 발명의 실시예들은 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류함으로써, 로봇의 단위동작 별 진동의 차이를 반영하여 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 본 발명의 실시예들은 진동정보로부터 단위동작 별 진동정보를 추출함으로써, 로봇의 단위동작 별 진동의 차이를 반영하여 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 본 발명의 실시예들은 신경망모델을 학습시키는 학습단계, 로봇의 진동을 감지한 진동정보를 입력받는 입력단계 및 상기 진동정보로부터 산출된 진동특징정보를 상기 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류단계를 포함하는 로봇 고장원인 진단 방법을 제공함으로써, 로봇의 고장원인을 정확하게 진단하고 분류할 수 있다.
이상의 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
도 1은 3차원 진동궤적의 일례를 예시적으로 나타낸 것이다.
도 2는 본 발명에 따른 로봇 고장원인 진단 시스템이 사용되는 일례를 예시적으로 나타낸 도면이다.
도 3은 본 발명에 따른 로봇 고장원인 진단 시스템의 일례를 예시적으로 나타낸 블럭 구성도이다.
도 4a 내지 도 4d는 각각 정상상태, 베어링 불량상태, 샤프트 불량상태 및 기어박스 불량상태일 때에 시간에 따른 3차원 상의 진동가속도 값의 변화를 예시적으로 나타낸 도면이다.
도 5a 내지 도 5d는 각각 정상상태, 베어링 불량상태, 샤프트 불량상태 및 기어박스 불량상태일 때에 주파수 성분에 따른 진폭 값을 예시적으로 나타낸 도면이다.
도 6은 본 발명에 따른 분류부의 일례를 예시적으로 나타낸 도면이다.
도 7은 본 발명에 따른 신경망모델의 일례를 예시적으로 나타낸 도면이다.
도 8은 본 발명에 따른 신경망모델의 다른 일례를 예시적으로 나타낸 도면이다.
도 9는 본 발명에 따른 신경망모델의 다른 일례를 예시적으로 나타낸 도면이다.
도 10은 본 발명에 따른 로봇 고장원인 분류 오차의 일례를 예시적으로 나타낸 도면이다.
도 11은 본 발명에 따른 로봇 고장원인 진단 방법의 일례를 예시적으로 나타낸 순서도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예들에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예들에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 본 실시예들은 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다.
또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
또한, 이하에 첨부되는 도면들은 본 발명의 이해를 돕기 위한 것으로, 상세한 설명과 함께 실시예들을 제공한다. 다만, 본 발명의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시예로 구성될 수 있다.
이하의 실시예들에서 개시되는 로봇 고장원인 진단 시스템에 대해 각 도면을 참조하여 보다 구체적으로 살펴보기로 한다.
도 2는 본 발명에 따른 로봇 고장원인 진단 시스템이 사용되는 일례를 예시적으로 나타낸 도면이다.
도 2를 참조하면, 일 실시예에 따른 로봇 고장원인 진단 시스템(100)은 로봇(200)에 부착된 진동센서(300)와 통신 네트워크로 연결된다. 여기에서, 통신 네트워크는 유선 또는 무선 통신망을 포함하는 넓은 개념의 네트워크를 의미할 수 있다.
로봇(200)은 특정한 작업을 수행하기 위해 베어링, 샤프트 또는 기어박스 등의 구동 메커니즘을 포함하여 구성될 수 있다.
진동센서(300)는 로봇(200)에 부착되어 로봇(200)이 구동될 때의 진동을 감지할 수 있고 감지된 진동정보를 통신 네트워크를 통해 로봇 고장원인 진단 시스템(100)에 전송할 수 잇다.
또한, 진동센서(300)는 로봇(200)의 진동을 측정하기 위한 가속도 센서에 해당할 수 있고 복수 개의 진동센서(300)가 로봇(200)에 부착될 수 있다. 다만, 진동센서(300)는 가속도 센서에만 한정되는 것은 아니고 변위센서나 속도센서에 해당할 수도 있다.
진동센서(300)가 가속도 센서이면 진동센서(300)가 로봇 고장원인 진단 시스템(100)에 전송하는 진동정보는 가속도 값에 해당할 수 있고 진동센서(300)가 변위센서나 속도센서이면 진동센서(300)가 로봇 고장원인 진단 시스템(100)에 전송하는 진동정보는 좌표(변위) 값이나 속도 값에 해당할 수 있다.
로봇 고장원인 진단 시스템(100)은 통신 네트워크를 통해 진동센서(300)와 연결되고 서버, PC, 노트북, 휴대폰, 스마트 폰(2G/3G/4G/LET, smart phone), PMP(Portable Media Player), PDA(Personal Digital Assistant) 및 타블렛 PC(Tablet PC) 중 어느 하나일 수 있다. 로봇 고장원인 진단 시스템(100)의 세부적인 구성은 도 3과 관련하여 살펴본다.
도 3은 본 발명에 따른 로봇 고장원인 진단 시스템의 일례를 예시적으로 나타낸 블럭 구성도이다.
도 3을 참조하면, 일 실시예에 따른 로봇 고장원인 진단 시스템(100)은 입력부(110), 분류부(120), 신경망모델부(130), 송수신부(140), 데이터베이스(150) 및 제어부(160)를 포함하여 구성된다.
입력부(110)는 로봇(200)의 진동을 감지한 진동정보를 송수신부(140)를 통해 진동센서(300)로부터 전송받거나 데이터베이스(150)로부터 진동정보를 입력받을 수 있다.
여기에서, 진동정보란 로봇(200)에 부착된 진동센서(300)에 의해 감지된 일련의 가속도 값, 좌표 값 또는 속도 값에 해당할 수 있고 가속도 값, 좌표 값 또는 속도 값은 3차원 상의 값에 해당할 수 있다.
분류부(120)는 입력부(110)로부터 진동정보를 전달받고 전달받은 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 구체적으로, 분류부(120)는 특정시간 동안의 진동정보로부터 산출된 진동가속도의 평균값, 최대값 및 분산값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 여기에서, 신경망모델은 신경망모델부(130)에서 학습된 모델이고 학습과 관련된 사항은 신경망모델부(130)부에서 살펴본다.
이 때에, 진동정보가 일련의 가속도 값이라면 진동정보를 진동가속도로 그대로 사용할 수 있지만 진동정보가 일련의 좌표 값이나 속도 값이라면 진동정보로부터 일련의 가속도 값을 계산하여 진동가속도로 사용할 수 있다.
다만, 분류부(120)는 진동가속도의 평균값, 최대값 또는 분산값에 한정되지 않고 예를 들면, 진동센서의 일련의 좌표(변위) 또는 속도에 대한 평균값, 최대값 또는 분산값을 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수도 있고 일련의 가속도, 좌표 또는 속도에 대한 두번째로 큰 최대값, 표준편차 등 다양한 값을 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
도 4a 내지 도 4d는 각각 정상상태, 베어링 불량상태, 샤프트 불량상태 및 기어박스 불량상태일 때에 시간에 따른 3차원 상의 진동가속도 값의 변화를 예시적으로 나타낸 도면이다.
도 4a 내지 도 4d를 참조하면, (i) 정상상태(도 4a)인 경우에는 진동가속도의 최대값 및 평균값이 작지만 (ii) 베어링 불량상태(도 4b)인 경우에는 X축의 진동가속도의 최대값 및 평균값이 정상상태인 경우보다 증가하고 (iii) 샤프트 불량상태(도 4c)인 경우에는 Y축 및 Z축의 진동가속도의 최대값 및 평균값이 가장 크고 (iv) 기어박스 불량상태(도 4d)인 경우에는 X축의 진동가속도의 최대값, 평균값 및 분산값이 가장 크게 나타난다.
따라서, 분류부(120)는 진동가속도의 최대값, 평균값 또는 분산값을 기초로 로봇(200)의 고장원인을 진단하고 분류할 수 있다.
또한, 분류부(120)는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 구체적으로, 분류부(120)는 특정시간 동안의 진동정보의 주파수 성분 중 진폭의 최대값 또는 진폭의 최대값에 해당하는 주파수 값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 여기에서, 신경망모델은 신경망모델부(130)에서 학습된 모델이고 학습과 관련된 사항은 신경망모델부(130)부에서 살펴본다.
이 때에, 분류부(120)는 시간 도메인(time domain) 상의 진동정보를 퓨리에 변환을 이용하여 주파수 도메인(frequency domain)으로 변환함으로써 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
또한 이 때에, 진동정보가 일련의 가속도 값이라면 진동정보의 주파수 성분은 가속도에 대한 주파수 성분에 해당한다. 반면에, 진동정보가 일련의 좌표 값이나 속도 값이라면 진동정보의 주파수 성분은 좌표나 속도에 대한 주파수 성분에 해당한다. 그런데, 진동정보가 일련의 좌표 값이나 속도 값이라도 분류부(120)에서 좌표나 속도 값을 포함하는 진동정보로부터 가속도 값을 계산한 경우에는 진동정보의 주파수 성분은 가속도에 대한 주파수 성분에 해당할 수 있다.
다만, 분류부(120)는 진동정보의 주파수 성분 중 진폭의 최대값 또는 진폭의 최대값에 해당하는 주파수 성분의 주파수 값에 한정되지 않고 주파수 성분들의 진폭의 평균값 등 다양한 값을 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수도 있다.
도 5a 내지 도 5d는 각각 정상상태, 베어링 불량상태, 샤프트 불량상태 및 기어박스 불량상태일 때에 주파수 성분에 따른 진폭 값을 예시적으로 나타낸 도면이다.
도 5a 내지 도 5d를 참조하면, (i) 정상상태(도 5a)인 경우에는 모든 주파수 성분에서 진폭 값이 작지만 (ii) 베어링 불량상태(도 5b)인 경우에는 주파수 성분 중 진폭의 최대값이 가장 크며(약 2.7) 진폭의 최대값에 해당하는 주파수 성분의 주파수 값은 약 70Hz이고 (iii) 샤프트 불량상태(도 5c)인 경우에는 주파수 성분 중 진폭의 최대값이 두 번째로 크며(약 1.3) 진폭의 최대값에 해당하는 주파수 성분의 주파수 값은 약 35Hz이고 (iv) 기어박스 불량상태(도 5d)인 주파수 성분 중 진폭의 최대값이 세 번째로 크며(약 0.9) 진폭의 최대값에 해당하는 주파수 성분의 주파수 값은 약 35Hz이다.
따라서, 분류부(120)는 진동정보의 주파수 성분 중 진폭의 최대값 또는 진폭의 최대값에 해당하는 주파수 성분의 주파수 값을 기초로 로봇(200)의 고장원인을 진단하고 분류할 수 있다.
한편, 분류부(120)는 진동정보 및 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있는데 이와 관련하여 도 6을 살펴본다.
도 6은 본 발명에 따른 분류부의 일례를 예시적으로 나타낸 도면이다.
도 6을 참조하면, 일 실시예에 따른 분류부(120)는 진동정보로부터 (i) 진동가속도의 평균값, (ii) 진동가속도의 최대값 및 (iii) 진동가속도의 분산값을 산출하고 진동정보를 퓨리에 변환(FFT)하여 (iv) 진동정보의 주파수 성분 중 진폭의 최대값 및 (v) 진폭의 최대값에 해당하는 주파수 성분의 주파수 값을 산출하고 (i) 내지 (v)의 진동특징정보를 학습된 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 도 6의 신경망모델과 관련하여 도 7을 살펴본다.
도 7은 본 발명에 따른 신경망모델의 일례를 예시적으로 나타낸 도면이다.
도 7을 참조하면, 일 실시예에 따른 신경망모델은 입력층에 5개의 뉴런을 구비하여 각 뉴런에는 전술한 진동가속도의 평균값(
Figure pat00001
), 진동가속도의 최대값(
Figure pat00002
), 진동가속도의 분산값(
Figure pat00003
), 주파수 성분 중 진폭의 최대값(
Figure pat00004
) 및 진폭의 최대값에 해당하는 주파수 성분의 주파수 값(
Figure pat00005
)이 입력되고 출력층에 4개의 뉴런을 구비하여 각 뉴런에는 정상상태(
Figure pat00006
), 베어링 불량상태(
Figure pat00007
), 샤프트 불량상태(
Figure pat00008
) 및 기어박스 불량상태(
Figure pat00009
)인지를 판단할 수 있는 정보가 출력될 수 있다.
이와 같이, 분류부(120)는 시간 도메인(time domain) 상에서 진동정보로부터 산출된 진동가속도의 평균값, 최대값 및 분산값을 포함하거나 주파수 도메인(frequency domain) 상에서 진폭의 최대값 및 진폭의 최대값에 해당하는 주파수 값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류함으로써 고장원인 별 진동의 특징을 반영하여 로봇(200)의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 분류부(120)는 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 여기에서, 단위동작이란 로봇(200)의 전체 동작에 포함된 서브 동작으로서 구동 방법이 상이한 복수의 서브 동작 중 하나를 의미할 수 있다.
예를 들어, 로봇(200)의 전체 동작에 구동 방법이 상이한 상승동작, 회전동작, 신장동작 및 회수동작이 포함된다면 상기 4가지 서브 동작은 단위동작에 해당한다. 분류부(120)는 상기 4가지의 단위동작 별로 진동정보를 구별하고 4가지 단위동작 별 진동정보 또는 4가지 단위동작 별 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
분류부(120)에서 단위동작 별로 진동특징정보를 산출하는 이유는 예를 들면 샤프트 불량인 경우에는 상승동작에서 샤프트 불량을 나타내는 진동의 특징이 두드러질 수 있고 베어링 불량인 경우에는 회전동작에서 베어링 불량을 나타내는 진동의 특징이 두드러질 수 있으므로 단위동작 별로 진동특징정보를 산출하여 신경망모델에 입력하면 로봇(200)의 고장원인을 정확하게 분류할 수 있기 때문이다. 이와 관련하여, 도 8을 살펴본다.
도 8은 본 발명에 따른 신경망모델의 다른 일례를 예시적으로 나타낸 도면이다.
도 8을 참조하면, 일 실시예에 따른 신경망모델은 입력층에 20개의 뉴런을 구비하여 각 뉴런에는 4가지 단위동작(단위동작1, 단위동작2, 단위동작3 및 단위동작4)에 대해서 단위동작 별 진동정보의 진동가속도의 평균값(
Figure pat00010
), 진동가속도의 최대값(
Figure pat00011
), 진동가속도의 분산값(
Figure pat00012
), 주파수 성분 중 진폭의 최대값(
Figure pat00013
) 및 진폭의 최대값에 해당하는 주파수 성분의 주파수 값(
Figure pat00014
)이 입력되고 출력층에 4개의 뉴런을 구비하여 각 뉴런에는 정상상태(
Figure pat00015
), 베어링 불량상태(
Figure pat00016
), 샤프트 불량상태(
Figure pat00017
) 및 기어박스 불량상태(
Figure pat00018
)인지를 판단할 수 있는 정보가 출력될 수 있다.
이와 같이, 분류부(120)는 진동정보를 복수의 단위동작 별로 구별하고 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류함으로써 단위동작 별 진동의 차이를 반영하여 로봇(200)의 고장원인을 정확하게 진단하고 분류할 수 있다.
한편, 분류부(120)는 입력부(110)를 통해 전달받은 진동정보가 단위동작 별로 구별되어 있지 않은 경우에는 진동정보로부터 단위동작 별 진동정보를 추출할 수 있다.
구체적으로, 분류부(120)는 로봇(200)의 전체 동작에서 각 단위동작의 순서 및 소요시간을 이용하여 전체 동작의 진동정보로부터 단위동작 별 진동정보를 추출할 수도 있고 로봇(200)에 부착된 센서로부터 각 단위동작이 시작된다는 사실을 추론할 수 있는 신호를 수신하여 전체 동작의 진동정보로부터 단위동작 별 진동정보를 추출할 수도 있으며 단위동작 별 진동정보를 추출하기 위한 제2신경망모델을 생성하고 학습시켜서 학습된 제2신경망모델을 이용하여 전체 동작의 진동정보로부터 단위동작 별 진동정보를 추출할 수도 있다.
다만, 분류부(120)는 상기 방법에 한정되지 않고 다양한 방법으로 진동정보로부터 단위동작 별 진동정보를 추출할 수 있다.
또한, 분류부(120)는 3차원 상의 진동정보 또는 3차원 상의 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 구체적으로, 진동정보가 X, Y, Z의 각 축에 대한 값으로 구성되어 있는 경우에 분류부(120)는 각 축에 대한 진동정보를 구별하여 축 별 진동정보 또는 축 별 진동정보의 주파수 성분 으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 이와 관련하여, 도 9를 살펴본다.
도 9는 본 발명에 따른 신경망모델의 다른 일례를 예시적으로 나타낸 도면이다.
도 9를 참조하면, 일 실시예에 따른 신경망모델은 입력층에 15개의 뉴런을 구비하여 각 뉴런에는 세 축(X축, Y축 및 Z축)에 대해서 축 별 진동정보의 진동가속도의 평균값(
Figure pat00019
), 진동가속도의 최대값(
Figure pat00020
), 진동가속도의 분산값(
Figure pat00021
), 주파수 성분 중 진폭의 최대값(
Figure pat00022
) 및 진폭의 최대값에 해당하는 주파수 성분의 주파수 값(
Figure pat00023
)이 입력되고 출력층에 4개의 뉴런을 구비하여 각 뉴런에는 정상상태(
Figure pat00024
), 베어링 불량상태(
Figure pat00025
), 샤프트 불량상태(
Figure pat00026
) 및 기어박스 불량상태(
Figure pat00027
)인지를 판단할 수 있는 정보가 출력될 수 있다.
이와 같이, 분류부(120)는 진동정보를 축 별로 구별하여 축 별 진동정보 또는 축 별 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류함으로써 축 별 진동의 차이를 반영하여 로봇(200)의 고장원인을 정확하게 진단하고 분류할 수 있다.
신경망모델부(130)는 입력부(110) 및 분류부(120)와 연결될 수 있고 분류부(120)에 신경망모델을 제공할 수 있다.
신경망모델부(130)는 신경망모델을 생성할 수 있고 데이터베이스(150)에 미리 저장된 학습데이터를 이용하여 신경망모델을 학습시킬 수 있다. 여기에서, 신경망모델이란 데이터 표현을 학습하는 기계학습 방법의 일종으로서 신경망모델은 ANN, DNN, CNN, RNN, LSTM, DBN 모델 중에서 적어도 하나에 해당될 수 있다.
구체적으로, 신경망모델부(130)는 진동정보로부터 산출된 진동특징정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 입력 받아서 로봇(200)의 고장을 분류할 수 있는 신경망모델을 생성할 수 있다.
또한, 신경망모델부(130)는 데이터베이스(150)로부터 전달받은 트레이닝데이터를 신경망모델에 입력하여 올바른 분류결과가 도출되도록 가중치를 조정함으로써 신경망모델을 학습시킬 수 있고 학습이 완료된 신경망모델을 분류부(120)에 제공할 수 있다. 여기에서, 트레이닝데이터는 신경망모델의 입력값 및 입력값에 대응되는 올바른 출력값의 쌍으로 구성될 수 있다.
이 때에, 신경망모델부(130)는 도 7과 같이 입력층에
Figure pat00028
,
Figure pat00029
,
Figure pat00030
등과 같은 진동정보로부터 산출된 진동특징정보 또는
Figure pat00031
,
Figure pat00032
등과 같은 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 신경망모델을 학습시킴으로써 고장원인 별 진동의 특징을 반영하여 로봇(200)의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 신경망모델부(130)는 도 8과 같이 입력층에 로봇(200)의 단위동작 별로
Figure pat00033
,
Figure pat00034
,
Figure pat00035
등과 같은 진동정보로부터 산출된 진동특징정보 또는
Figure pat00036
,
Figure pat00037
등과 같은 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 신경망모델을 학습시킴으로써 로봇(200)의 단위동작 별 진동의 차이를 반영하여 로봇(200)의 고장원인을 정확하게 진단하고 분류할 수 있다.
또한, 신경망모델부(130)는 도 9와 같이 입력층에 X, Y, Z축 별로
Figure pat00038
,
Figure pat00039
,
Figure pat00040
등과 같은 진동정보로부터 산출된 진동특징정보 또는
Figure pat00041
,
Figure pat00042
등과 같은 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 신경망모델을 학습시킴으로써 축 별 진동의 차이를 반영하여 로봇(200)의 고장원인을 정확하게 진단하고 분류할 수 있다.
다만, 신경망모델부(130)는 도 7 내지 도 9에 한정하여 신경망모델을 생성하고 학습시킬 수 있는 것은 아니고 도 7 내지 도 9와 달리 다양한 값들을 입력 또는 출력으로 하여 로봇(200)의 고장원인을 진단하고 분류할 수 있다. 예를 들면, 신경망모델부(130)는 도 7 내지 도 9와 달리
Figure pat00043
와 같은 진동정보의 주파수 성분으로부터 산출된 진동특징정보만 신경망모델에 입력하여 신경망모델을 학습시킬 수도 있다.
송수신부(140)는 입력부(110)가 진동센서(300)로부터 진동정보를 수신할 수 있도록 한다.
데이터베이스(150)는 트레이닝데이터, 진동정보 등을 저장할 수 있다.
이러한 데이터베이스(150)는 컴퓨터 판독 가능한 기록 매체를 포함하는 개념으로서, 협의의 데이터베이스뿐만 아니라, 파일 시스템에 기반한 데이터 기록 등을 포함하는 넓은 의미의 데이터베이스도 포함하여 지칭하며, 단순한 로그의 집합이라도 이를 검색하여 데이터를 추출할 수 있다면 본 발명에서 말하는 데이터베이스의 범주안에 포함된다.
마지막으로, 제어부(160)는 로봇 고장원인 진단 시스템(100)의 전체적인 동작을 제어하고, 입력부(110), 분류부(120), 신경망모델부(130), 송수신부(140) 및 데이터베이스(150) 간의 제어 흐름 또는 데이터 흐름을 제어할 수 있다.
도 10은 본 발명에 따른 로봇 고장원인 분류 오차의 일례를 예시적으로 나타낸 도면이다.
도 10을 참조하면, 일 실시예에 따른 로봇(200) 고장원인 분류 오차(MSE)는 신경망모델에 대한 학습횟수(Learning Epoch)가 증가할수록 감소하는 것을 볼 수 있고 약 3000번의 반복 학습을 통해 신경망모델에 의한 고장원인 진단의 오차율이 0.02 이하로 낮아진다.
도 10과 관련된 신경망모델은 도 8과 같이 입력층의 뉴런이 20개이고 은닉층의 뉴런이 10개, 출력층의 뉴런이 4개가 되도록 모델링된 것이고 입력층의 뉴런에 입력되는 값도 도 8과 같은 것이다. 이 때에, 신경망모델의 학습규칙은 LMS 학습 규칙으로서 제곱 평균의 오차를 최소화하는 지점을 찾는 방법이 사용된 것이고 초기 가중치값은 랜덤으로 설정된 것이며 학습률은 0.1로 설정된 것이다.
도 11은 본 발명에 따른 로봇 고장원인 진단 방법의 일례를 예시적으로 나타낸 순서도이다.
도 11을 참조하면, 일 실시예에 따른 로봇 고장원인 진단 방법(400)은 학습단계(S410), 입력단계(S420) 및 분류단계(S430)를 포함하여 구성된다.
학습단계(S410)에서, 로봇 고장원인 진단 시스템(100)은 신경망모델을 생성하고 데이터베이스(150)에 미리 저장된 트레이닝데이터를 이용하여 신경망모델을 학습시킬 수 있다.
구체적으로, 로봇 고장원인 진단 시스템(100)은 진동정보로부터 산출된 진동특징정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 포함하는 트레이닝데이터를 데이터베이스(150)로부터 전달 받고 신경망모델에 입력하여 올바른 분류결과가 도출되도록 가중치를 조정함으로써 로봇(200)의 고장을 분류할 수 있는 신경망모델을 학습시킬 수 있다.
또한, 로봇 고장원인 진단 시스템(100)은 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 신경망모델을 학습시킬 수 있다.
또한, 로봇 고장원인 진단 시스템(100)은 X, Y, Z축 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 신경망모델을 학습시킬 수 있다.
입력단계(S420)에서, 로봇 고장원인 진단 시스템(100)은 로봇(200)의 진동을 감지한 진동정보를 진동센서(300)로부터 전송받거나 데이터베이스(150)로부터 진동정보를 입력받을 수 있다.
분류단계(S430)에서, 로봇 고장원인 진단 시스템(100)은 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 구체적으로, 로봇 고장원인 진단 시스템(100)은 특정시간 동안의 진동정보로부터 산출된 진동가속도의 평균값, 최대값 및 분산값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
또한, 로봇 고장원인 진단 시스템(100)은 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다. 구체적으로, 로봇 고장원인 진단 시스템(100)은 특정시간 동안의 진동정보의 주파수 성분 중 진폭의 최대값 또는 진폭의 최대값에 해당하는 주파수 값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
이 때에, 로봇 고장원인 진단 시스템(100)은 시간 도메인(time domain) 상의 진동정보를 퓨리에 변환을 이용하여 주파수 도메인(frequency domain)으로 변환함으로써 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
또한, 로봇 고장원인 진단 시스템(100)은 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
한편, 로봇 고장원인 진단 시스템(100)은 진동정보가 단위동작 별로 구별되어 있지 않은 경우에는 진동정보로부터 단위동작 별 진동정보를 추출할 수 있다.
또한, 로봇 고장원인 진단 시스템(100)은 3차원 상의 진동정보 또는 3차원 상의 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇(200)의 고장원인을 분류할 수 있다.
이상에서와 같이, 본 출원의 바람직한 실시예 들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 출원을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100 : 로봇 고장원인 진단 시스템
110 : 입력부 120 : 분류부
130 : 신경망모델부 140 : 송수신부
150 : 데이터베이스 160 : 제어부
200 : 로봇 300 : 진동센서
400 : 로봇 고장원인 진단 방법

Claims (6)

  1. 로봇의 진동을 감지한 진동정보를 입력받는 입력부;
    상기 진동정보로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류부; 및
    상기 신경망모델을 학습시키는 신경망모델부를 포함하는 로봇 고장원인 진단 시스템.
  2. 제 1항에 있어서,
    상기 분류부는 특정시간 동안의 상기 진동정보로부터 산출된 진동가속도의 평균값, 최대값 및 분산값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템.
  3. 제 1항에 있어서,
    상기 분류부는 특정시간 동안의 상기 진동정보의 주파수 성분 중 진폭의 최대값 및 진폭의 최대값에 해당하는 주파수 값을 포함하는 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템.
  4. 제 1항에 있어서,
    상기 로봇의 동작은 구동 방법이 상이한 복수의 단위동작을 포함하고,
    상기 분류부는 상기 복수의 단위동작 별 진동정보 또는 진동정보의 주파수 성분으로부터 산출된 진동특징정보를 신경망모델에 입력하여 로봇의 고장원인을 분류하는 로봇 고장원인 진단 시스템.
  5. 제 4항에 있어서,
    상기 분류부는 상기 진동정보로부터 단위동작 별 진동정보를 추출하는 것을 특징으로 하는 로봇 고장원인 진단 시스템.
  6. 신경망모델을 학습시키는 학습단계;
    로봇의 진동을 감지한 진동정보를 입력받는 입력단계; 및
    상기 진동정보로부터 산출된 진동특징정보를 상기 신경망모델에 입력하여 로봇의 고장원인을 분류하는 분류단계를 포함하는 로봇 고장원인 진단 방법.
KR1020180110522A 2018-09-14 2018-09-14 로봇 고장원인 진단 시스템 및 방법 KR20200031463A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180110522A KR20200031463A (ko) 2018-09-14 2018-09-14 로봇 고장원인 진단 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180110522A KR20200031463A (ko) 2018-09-14 2018-09-14 로봇 고장원인 진단 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20200031463A true KR20200031463A (ko) 2020-03-24

Family

ID=70004613

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180110522A KR20200031463A (ko) 2018-09-14 2018-09-14 로봇 고장원인 진단 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20200031463A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102380541B1 (ko) * 2021-10-06 2022-04-01 주식회사 위플랫 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법
WO2023036610A1 (de) * 2021-09-07 2023-03-16 Kuka Deutschland Gmbh Bewerten und/oder steuern eines roboterarbeitsprozesses
CN117697764A (zh) * 2024-02-05 2024-03-15 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023036610A1 (de) * 2021-09-07 2023-03-16 Kuka Deutschland Gmbh Bewerten und/oder steuern eines roboterarbeitsprozesses
KR102380541B1 (ko) * 2021-10-06 2022-04-01 주식회사 위플랫 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법
CN117697764A (zh) * 2024-02-05 2024-03-15 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法
CN117697764B (zh) * 2024-02-05 2024-04-30 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法

Similar Documents

Publication Publication Date Title
Jiao et al. A multivariate encoder information based convolutional neural network for intelligent fault diagnosis of planetary gearboxes
An et al. A novel bearing intelligent fault diagnosis framework under time-varying working conditions using recurrent neural network
Li et al. Remaining useful life prediction with partial sensor malfunctions using deep adversarial networks
CN109940622B (zh) 一种基于电机电流的机器人机械臂无传感碰撞检测方法
KR20200031463A (ko) 로봇 고장원인 진단 시스템 및 방법
Wang et al. Online class imbalance learning and its applications in fault detection
KR20200005987A (ko) 터치입력을 이용한 인지장애 진단 시스템 및 방법
CN108332970A (zh) 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN113988202B (zh) 一种基于深度学习的机械臂异常振动检测方法
EP3900889A1 (en) Control apparatus, robot, learning apparatus, robot system, and method
CN106777622A (zh) 基于人工智能的机电设备在线故障诊断的方法及系统
Yun et al. Autoencoder-based anomaly detection of industrial robot arm using stethoscope based internal sound sensor
KR20200061900A (ko) 로봇피부를 이용한 충돌감지 시스템 및 방법
CN106762343A (zh) 基于在线数据的水轮发电机组推力轴承故障的诊断方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN111553373A (zh) 一种基于cnn+svm的压力气泡图像识别算法
US20210397177A1 (en) Fault diagnostics systems and methods
Zou et al. Virtual sensing of subsoil strain response in monopile-based offshore wind turbines via Gaussian process latent force models
KR102580554B1 (ko) 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치
CN110261108B (zh) 基于cnn彩色特征图的额定运转时轴承故障识别法
CN114266013B (zh) 基于深度学习虚拟感知网络的传动系统振动解耦方法
CN116324193A (zh) 机器学习装置、滑动面诊断装置、推论装置、机器学习方法、机器学习程序、滑动面诊断方法、滑动面诊断程序、推论方法及推论程序
Alman et al. Pattern recognition of human activity based on smartphone data sensors using SVM multiclass
Huo et al. Data Augmentation Fault Diagnosis Method Based on Residual Mixed Self-Attention for Rolling Bearings under Imbalanced Samples
Khayyat ANN based Intelligent Mechanical Engineering Design: A Review

Legal Events

Date Code Title Description
E601 Decision to refuse application