KR20200049295A - 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법 - Google Patents

Abstract

본 발명에 따른 회전기기의 건전성 지표 및 잔존수명 예측 방법은, 선형 회귀 분석을 이용하여, 회전기기의 예측 시작점을 설정하는 제1 단계 및 비선형 회귀 분석을 이용하여, 상기 설정된 예측 시작점을 기준으로 상기 회전기기의 건전성 지표와 관련된 정보를 추정하는 제2 단계를 포함하는 것을 특징으로 한다.

Description

회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법{A METHOD TO PREDICT HEALTH INDEX TRANSITION AND RESIDUAL LIFE FOR TURBOMACHINERY}

본 발명은 회전기기의 건전성과 관련된 지표를 예측하기 위한 방법에 관한 것이다.

석탄화력발전소나 복합화력발전소에 이용되는 터빈과 같은 회전기기에서 발생하는 결함은 기기의 신뢰성 및 유지보수 등에서 매우 큰 손실을 유발한다. 특히, 접촉(rubbing)은 터빈과 같은 회전기계의 주요 손상 원인 중 하나이다. 접촉(rubbing)에 의한 진동 특징은 진동파형의 절단, 과도한 위상 변화, 진동주파수의 과도한 성장, 조화성분 발생 등의 비선형적이고 과도적인 진동 특징을 가지고 있으며, 이러한 특징들 때문에 정확한 진단에 많은 어려움을 겪고 있는 실정이다.

가용도 측면에서 가스터빈을 포함한 설비의 효율적인 운용 및 정비활동을 위한 다양한 기술개발이 이루어져 왔으며, 최근에는 세계적으로 예지(또는 예후) 및 건전성관리(Prognostics & Health Management, PHM)에 관한 연구가 활발하게 이루어지고 있다. PHM 시스템은 상태감시, 상태평가, 결함 및 고장 진단, 고장진전해석, 예지 및 정비 또는 운전 결정지원의 기능을 통합한 것으로, PHM 시스템의 궁극적 목적은 목표 설비의 운전 가용도와 안전을 극대화 하는 것이다.

열화 추이를 예측하는 데에 있어서 올바른 건전성 지표(Health index)의 추출과 열화 트렌드를 잘 반영할 수 있는 건전성 지표의 트렌드는 중요한 요소이다. 기계의 열화는 시간이 지날수록 악화되기 때문에 올바른 열화 트렌드, 즉 건전성 지표는 항상 증가하는 방향으로 진행되어야 한다. 만약, 열화 트렌드가 이와 같은 조건을 만족하지 못한다면 하나의 열화 정도에 대해 여러 열화 시점이 대응되기 때문에 정확한 열화 시점을 판단하기 어렵다. 도 1은 올바른 열화 트렌드와 잘못된 열화 트렌드의 예를 보인 것이다.

ISO(International Organization for Standardization)는 ‘고장예지는 고장(failure) 발생까지의 시간을 추정(estimation)’하는 것으로 정의하고 있다. 즉, 고장예지는 ‘시스템 생애주기(lifetime)를 예측(prediction)’하는 것으로, 그 목적은 현재 시스템의 상태와 과거 운용 이력을 바탕으로 고장이 발생할 때까지의 잔존 유효 수명(remaining useful life, RUL)을 예측하는데 있다.

고장예지 알고리즘의 과정은 도 2와 같다. 진동 데이터로부터 기계 열화의 정도를 나타내는 건전성 지표를 추출한다. 취득된 진동데이터와 취득시간은 DB에 저장된다. 기계의 열화가 심해지기 시작하면 해당 시점을 예측 시작점(Time to start prediction, TSP)으로 설정하고 건전성 지표의 추이를 추정한다. 추정된 건전성 지표의 추이를 통해 현재 시점에서 건전성지표가 결함 발생 임계치에 도달할 때까지의 시간을 계산하여 기계의 잔여수명을 예측한다.

도 3은 고장예지 알고리즘의 적용 예를 보인 것이다. 검은 색 점은 취득 데이터로부터 추출된 건전성 지표를 의미하며 파란색 점은 TSP를 의미한다. TSP에서 추정된 건전성 지표 추이는 파란색 점선이고 결함 발생 임계치인 빨간색 선에 건전성 지표 추이가 도달하면 해당 경과시간을 결함 발생 시점으로 정하고 계산된 결함 발생 시점에서 현재시간을 뺀 남은 시간을 잔여수명으로 정한다.

진동 신호로부터 기계의 열화 정도를 잘 표현할 수 있는 하나의 대표 특징을 추출하여 건전성 지표로 사용한다. 그러나 진동 신호에는 결함 정보뿐만 기계의 진동, 센서의 전기신호와 같은 여러 잡음들이 섞여있어 열화 정도를 대표할 수 있는 하나의 특징을 추출하는 것은 어려운 실정이다.

본 발명의 기술적 과제는 회전기기의 잔존수명을 정확하게 추출할 수 있는 회전기기의 건전성 지표 추이 방법을 제공하는 것이다.

또한, 본 발명의 목적은 신호를 여러 주파수 부대역 신호로 분할하고 각 부대역 신호로부터 대표 특징을 추출 및 조합하여 기계의 열화 상태와 연관성이 높은 건전성 지표 및 잔존수명을 예측 방법을 제공하는 것이다.

또한, 본 발명의 목적은 터빈 축계요소의 주요 결함인 접촉(rubbing), 정렬불량(misalignment) 등에 대하여 회귀모델 기반 건전성 지표를 활용하는 회전기기의 전전성 지표 및 잔존수명 예측 방법을 제공하는 것이다.

상기와 같은 목적을 달성하기 위해 일 측면으로서, 본 발명에 따른 회전기기의 건전성 지표 및 잔존수명 예측 방법은, 선형 회귀 분석을 이용하여, 회전기기의 예측 시작점을 설정하는 제1 단계 및 비선형 회귀 분석을 이용하여, 상기 설정된 예측 시작점을 기준으로 상기 회전기기의 건전성 지표와 관련된 정보를 추정하는 제2 단계를 포함하는 것을 특징으로 한다.

일 실시예에 있어서, 상기 제1 단계는, 소정의 선형 회귀 모델에 의해 결정되는 기울기를 산출하는 과정과, 상기 산출된 기울기가 미리 설정된 임계치를 초과하는 시점을 예측 시작점으로 설정하는 과정을 포함하는 것을 특징으로 한다.

일 실시예에 있어서, 상기 제1 단계는, 상기 기울기를 산출하기 위한 윈도우를 설정하는 과정과, 상기 기울기가 상기 임계치를 초과하지 않는 경우, 상기 윈도우를 이동시키는 과정을 더 포함하는 것을 특징으로 한다.

일 실시예에 있어서, 상기 제2 단계는, 주파수 분해 알고리즘을 통해 입력신호를 여러 주파수 부대역으로 분할하는 제1 과정과, 각 부대역 신호로부터 건전성 지표를 추출하여 열화 트렌드를 생성하는 제2 과정과, 각 부대역 신호의 열화 트렌드를 보정하는 제3 과정과, 각 부대역으로부터 열화 트렌드 부분을 추출하는 제4 과정과, 상기 제4 과정에 의해 추출된 열화 트렌드 부분을 조합하여, 상기 회전기기의 건전성 지표 추이를 생성하는 제5 과정을 포함하는 것을 특징으로 한다.

일 실시예에 있어서, 상기 제3 과정은, 상기 회전기기의 고장과 관련된 신호의 특징 값을 주기적으로 추출하고, 이전 주기에 추출된 특징 값과, 현재 주기에 추출된 특징 값 사이의 차이를 산출하고, 산출된 차이에 근거하여, 보정 트렌드를 설정함으로써 수행되는 것을 특징으로 한다.

일 실시예에 있어서, 상기 보정 트렌드는, 상기 산출된 차이에 근거하여, 상기 이전 주기에 추출된 특징 값 및 상기 현재 주기에 추출된 특징 값 중 어느 하나로 설정되는 것을 특징으로 한다.

일 실시예에 있어서, 상기 제5 과정은, 적어도 하나의 비선형 회귀 모델을 이용하여 상기 회전기기의 건전성 지표를 생성하도록 수행되는 것을 특징으로 한다.

일 실시예에 있어서, 상기 생성된 건전성 지표가 소정의 한계치를 초과하지 않는 경우, 상기 회전기기의 건전성 지표를 생성하는 과정이 반복적으로 수행되는 것을 특징으로 한다.

본 발명을 통해 제안된 방법은 발전소 터빈 설비를 비롯한 회전기기의 열화 및 수명을 예측하는데 활용할 수 있다. 진동신호로부터 기계의 열화 정도를 표현할 수 있는 대표 특징을 추출하여 건전성 지표로 활용하는 방법에 대한 것으로 회전기기의 불시 고장 및 장기 운전에 따른 열화의 추이를 예측할 수 있다.

본 발명에서 제안한 방법에 의하면, 실 발전소에 적용시 불시 정지의 원인 중 하나인 터빈의 진동 문제를 사전에 예측할 수 있다.

도 1은 회전기기의 열화 트렌드를 나타내는 그래프이다.
도 2는 종래의 회전기기 열화추이 예측 방법을 나타내는 개념도이다.
도 3은 회전기기의 고장을 예지하는 알고리즘의 적용 예를 나타낸 그래프이다.
도 4는 본 발명에서 제안하는 회귀 모델 기반의 회전기기 건전성 지표 추이 예측 알고리즘을 나타내는 개념도이다.
도 5는 TSP를 검출하는 방법을 나타내는 개념도이다.
도 6은 열화 트렌드를 추정하는 알고리즘을 나타내는 흐름도이다.
도 7은 하향 트렌드를 보정하는 알고리즘을 나타내는 흐름도이다.
도 8은 기울기 추정 알고리즘의 개념도이다.
도 9는 건전성 지표 예측 알고리즘을 나타내는 개념도이다.
도 10은 기존의 결함 임계치 설정 방법과, 기울기 기반의 결함 임계치 설정 방법을 비교한 그래프이다.

이하, 첨부된 도면에 따라 본 발명을 상세하게 설명한다.

도 4는 회귀모델 기반 건전성 치표 추이 예측 알고리즘의 개념도를 보인 것이다. 도 4를 참조하면, 회귀모델 기반 건전성 지표 예측 알고리즘은 크게 두 가지 단계로 구성된다.

먼저, 제1 단계는 TSP를 추정하기 위한 것으로서, 선형 회귀 분석을 통해 기계 이상을 감지하고 이상이 발견될 경우 2단계를 수행한다.

다음으로, 제2 단계는 건전성 지표 예측을 위한 것으로서, 비선형 회귀 분석을 통해 건전성 지표의 추이를 예측한다.

본 발명에서 제안하는 제1 단계, 즉 TSP 검출 단계는 이하와 같이 구성된다.

TSP 검출은 윈도우 크기에 따라 n개의 건전성 지표를 추출하여 선형 회귀 모델을 추정한다. 이하 수학식 1은 선형 회귀 모델의 정의이다. 수학식 1에서 w와 b는 정의되지 않은 미지수이다.

선형 회귀 분석의 목표는 미지수 w와 b를 주어진 데이터에 가장 적합하도록 추정하는 것이다. 처음에는 w와 b의 값을 임의의 수로 정하고

을 계산한다. 선형 회귀 모델의

이 주어진 건전성 지표 y와 유사하려면 두 값의 차이가 작아야 한다. 따라서 선형 회귀 모델의 추정 문제는

와 y의 차이를 최소화 하는 w와 b를 추정하는 문제와 같다. w와 b의 추정 식을 유도하면 아래의 수학식 2와 같다.

계수 w는 선형 회귀 모델의 기울기를 나타내며 시간에 따른 건전성 지표의 증가량을 의미한다. 즉, 이면 건전성 지표가 시간에 따라 감소하거나 유지된다는 것을 의미하기 때문에 정상이며, 이면 건전성 지표가 시간에 따라 증가하는 것을 의미하므로 열화가 진행 중이라고 여겨질 수 있다. TSP는 w의 크기가 일정 임계치를 초과할 때의 시점으로 정한다.

본 발명의 일 실시예에서는, 윈도우 크기를 50으로 설정하였을 때 TSP를 검출하기 위한 w의 크기는 0.0001 이상으로 정하였다. 윈도우 크기와 w의 크기는 실험데이터에 따라 바뀔 수 있다. w가 TSP 임계치를 초과할 경우 건전선 지표 예측 단계로 진행되며 초과하지 않을 경우 윈도우를 최근 취득 시점으로 이동하여 TSP 검출 과정을 반복한다.

도 5는 구체적인 TSP 검출 알고리즘의 개념도를 보인 것이다.

이하에서는, 본 발명에서 제안하는 2단계, 즉 건전성 지표 예측 단계는 이하와 같이 구성된다.

회전기기의 건전성 및 잔존 수명을 예측함에 있어서, 올바른 건전성 지표(Health index)의 추출과 열화 추이를 잘 반영할 수 있는 건전성 지표의 추이는 중요한 요소이다. 기계의 열화는 시간이 지날수록 악화되기 때문에 올바른 열화 추이는 항상 증가하는 방향으로 진행되어야 한다. 그러나 이와 같은 열화 추이의 특성을 완전히 반영하는 이상적인 건전성 지표를 찾는 것은 매우 어려우며 효과적인 건전성 지표를 찾더라도 추이가 감소하는 부분은 존재할 수 있다. 이와 같은 문제를 해결하기 위해 건전성 지표 추이 분석 알고리즘을 사용한다.

도 6은 건전성 지표 추이 분석 알고리즘의 순서도이다.

도 6을 참조하면, 상기 제2 단계가 이하와 같이 하위 과정으로 구성된다.

먼저, 제1 과정에서, 주파수 분해 알고리즘(DWPT)을 통해 입력신호를 여러 주파수 부대역으로 분할한다(Step 1).

제2 과정에서, 각 부대역 신호로부터 건전성 지표를 추출하여 열화 트렌드를 생성한다(Step 2).

제3 과정에서, 각 부대역 신호의 열화 트렌드를 보정한다(Step 3).

기계는 항상 정상 상태에서 열화 상태로 전이되기 때문에 별도의 유지보수가 없다면 건전성 지표는 하향 트렌드를 보일 수 없으며 기계가 열화됨에 따라 건전성 지표는 증가하여야 한다. 그러나 신호의 건전성 지표는 신호의 노이즈로 인해 하향 트렌드를 보이는 경우가 있으며 이를 보정하는 알고리즘은 필수적이다.

도 7은 본 발명에서 제안한 제3 과정의 상세 방법을 보인 것이다.

도 7을 참조하면, 상기 제3 과정을 수행함에 있어서, 먼저 신호의 특징 값(건전성 지표)을 추출한다(Step 3-1).

이후, 직전에 추출한 특징 값과 현재 특징 값 사이의 차를 계산한다(Step 3-2,

).

트렌드가 하향일 경우 이전 특징 값을 보정 트렌드에 대입하고 트렌드가 상향일 경우 현재 특징 값을 보정 트렌드에 대입한다(Step 3-3,

).

위와 같이 제3 과정이 수행된 후, 각 부대역으로부터 최적의 열화 트렌드 부분을 추출하는 제4 과정이 수행된다.

주파수 분해를 통해 여러 부대역 신호들을 얻을 수 있지만 어느 부대역 신호가 특정 시점이 이상적인 열화 트렌드를 보이는 지는 트렌드에 대한 분석 없이는 알기 어렵다. 본 발명에서는 부대역 신호들을 열화 트렌드에 대해 평가하기 위해 기울기 추정 알고리즘을 개발하였다.

기울기 추정 알고리즘은 기계의 열화 트렌드는 항상 증가한다는 것과 열화 트렌드의 변화가 클수록 중요한 정보라는 것을 기반으로 부대역 신호로부터 최적의 열화 트렌드 부분을 추출하여 최종 열화 트렌드를 추정하는 방법이다. 도 8은 기울기 추정 알고리즘의 개념도를 보인 것이다.

도 8을 참조하면, 제4 과정을 수행함에 있어서, 먼저, 최적 트렌드의 초기 값을 0으로 설정한다(Step 4-1,

).

이전 신호의 각 부대역 신호의 특징 값과 현재 신호의 각 부대역 신호의 특징 값의 차(특징 값의 기울기)를 계산한다(Step 4-2,

).

각 부대역 신호들의 가장 큰 특징 값 기울기를 추정중인 최적 열화 트렌드의 이전 값에 더하여 다음 값을 계산한다(Step 4-3,

).

위와 같이 제4 과정이 수행된 후, 각 부대역 최적 트렌드 부분을 조합하여 최적 건전성 지표 추이 예측하는 제5 과정이 수행된다.

1단계 과정인 TSP 검출 과정에서 TSP가 정해지면 TSP 이후부터 현재 시점까지의 건전성 지표 추이 패턴을 분석하고 아직 계산되지 않은 미래의 건전성 지표 추이를 예측한다. 건전성 지표 추이는 일반적으로 비선형적 패턴을 보이므로 이를 예측하기 위해서는 비선형 회귀 모델을 사용한다. 건전성 지표 윈도우로 이전까지 계산된 건전성 지표들(과거, 현재 건전성 지표와 이전에 예측된 건전성 지표를 포함)에 적합한 비선형 회귀 모델을 추정한다. 추정된 비선형 회귀 모델을 통해 다음 건전성 지표를 예측한다. 예측된 건전성 지표가 결함 임계치보다 낮을 경우 다음 건전성 지표 예측을 반복하여 수행한다. 건전성 지표 추이 예측 알고리즘의 처리과정은 도 9와 같다.

건전성 지표 예측에 사용될 수 있는 비선형 회귀 모델은 Polynomial, exponential, logarithm 등 다양한 모델들이 있으며 이 중 과거 데이터 분석을 통해 목표 기계의 열화 추이와 가장 적합한 모델을 선정하여 사용한다. 각 모델에 대한 수식은 아래의 수학식 3 내지 5와 같다. 여기서 H(x)는 예측된 건전성 지표를 의미한다.

비선형 회귀 모델, H(x)에 대해 주어진 데이터 y에 적합한 모델 인자들(a, b, c)을 구하기 위해서는 주어진 데이터와 모델의 오류가 최소화 되는 모델 인자들을 추정하여야 한다. 수학식 6은 이 같은 최소화 문제를 수식으로 표현한 것이다. 최소화 문제를 해결하기 위해서는 기존의 비선형적 최소화 문제의 해를 구하는 방법인 quadratic regression 방법을 사용한다.

추정된 비선형 회귀 모델을 이용하여 다음 건전성 지표를 예측한다. 예측된 건전성 지표가 결함 임계치를 넘지 않을 경우 건전성 지표 예측 과정을 반복하며 결함 임계치보다 크거나 같은 경우 알고리즘을 종료한다. 결함 임계치를 설정하는 기존의 방법들은 단순히 건전성 지표에 대한 최대 임계치를 설정한다. 그러나 다양한 환경에서 결함이 발생하였을 때의 건전성 지표 값에 대한 기존 데이터가 없을 경우 결함 임계치를 정하기 어려우며 결함 임계치를 정하더라도 현재 목표 기계에 적합하지 않을 수 있다. 이 같은 문제를 해결하기 위해 건전성 지표 기울기 기반의 결함 임계치 설정 방법을 사용한다. 도 10에서 볼 수 있듯이 기존 결함 임계치의 경우 건전성 지표 추이에 따른 결함 임계치의 차이가 심한 반면 기울기 기반 건전성 지표 임계치의 경우 각 건전성 지표 추이에 대한 결함 임계치의 차이가 작은 것을 알 수 있다.

Claims (8)

1. 선형 회귀 분석을 이용하여, 회전기기의 예측 시작점을 설정하는 제1 단계;
   비선형 회귀 분석을 이용하여, 상기 설정된 예측 시작점을 기준으로 상기 회전기기의 건전성 지표와 관련된 정보를 추정하는 제2 단계를 포함하는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
2. 제1항에 있어서,
   상기 제1 단계는,
   소정의 선형 회귀 모델에 의해 결정되는 기울기를 산출하는 과정과,
   상기 산출된 기울기가 미리 설정된 임계치를 초과하는 시점을 예측 시작점으로 설정하는 과정을 포함하는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
3. 제2항에 있어서,
   상기 제1 단계는,
   상기 기울기를 산출하기 위한 윈도우를 설정하는 과정과,
   상기 기울기가 상기 임계치를 초과하지 않는 경우, 상기 윈도우를 이동시키는 과정을 더 포함하는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
4. 제1항에 있어서,
   상기 제2 단계는,
   주파수 분해 알고리즘을 통해 입력신호를 여러 주파수 부대역으로 분할하는 제1 과정과,
   각 부대역 신호로부터 건전성 지표를 추출하여 열화 트렌드를 생성하는 제2 과정과,
   각 부대역 신호의 열화 트렌드를 보정하는 제3 과정과,
   각 부대역으로부터 열화 트렌드 부분을 추출하는 제4 과정과,
   상기 제4 과정에 의해 추출된 열화 트렌드 부분을 조합하여, 상기 회전기기의 건전성 지표 추이를 생성하는 제5 과정을 포함하는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
5. 제4항에 있어서,
   상기 제3 과정은,
   상기 회전기기의 고장과 관련된 신호의 특징 값을 주기적으로 추출하고,
   이전 주기에 추출된 특징 값과, 현재 주기에 추출된 특징 값 사이의 차이를 산출하고,
   산출된 차이에 근거하여, 보정 트렌드를 설정함으로써 수행되는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
6. 제5항에 있어서,
   상기 보정 트렌드는,
   상기 산출된 차이에 근거하여, 상기 이전 주기에 추출된 특징 값 및 상기 현재 주기에 추출된 특징 값 중 어느 하나로 설정되는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
7. 제4항에 있어서,
   상기 제5 과정은,
   적어도 하나의 비선형 회귀 모델을 이용하여 상기 회전기기의 건전성 지표를 생성하도록 수행되는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.
8. 제7항에 있어서,
   상기 생성된 건전성 지표가 소정의 한계치를 초과하지 않는 경우, 상기 회전기기의 건전성 지표를 생성하는 과정이 반복적으로 수행되는 것을 특징으로 하는 회전기기의 건전성 지표 및 잔존수명 예측 방법.

Images