KR20200136634A

KR20200136634A - 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치

Info

Publication number: KR20200136634A
Application number: KR1020190062405A
Authority: KR
Inventors: 조기영; 박재화
Original assignee: 주식회사 티스마트
Priority date: 2019-05-28
Filing date: 2019-05-28
Publication date: 2020-12-08
Also published as: KR102193584B1

Abstract

본 발명은 생산 설비의 고장 부위 예측에 관한 것으로서, 더욱 상세하게는 생산 설비 현장에서 센싱된 신호를 분류 모델을 통하여 고장 유무 및 고장 부위를 예측함으로써 현장에서 바로 판단하고 대응할 수 있도록 하는 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치에 관한 것이다.

Description

머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치{Method and Apparatus for Predicting Fault Region Using Machine Learning Method}

일반적으로 산업현장에서 안정적이고 연속적으로 운전되어야하는 설비는 설비라인 자체에 치명적인 손상을 주는 돌발 고장과, 예기치 못한 고장으로 설비라인이 중지되어 이로 인한 생산량 감소를 사전에 미리 방지하기 위해 설비고장을 미리 예측하는 방법이 연구 개발되고 있다. 현재 사용되고 있는 고장 예측 방법은 설비의 이상 상태 변화를 감지하고, 이때 나타나는 결함을 검출하여 설비나 부품의 상태를 판정하고 수명을 예측하는 방식을 사용하고 있다. 이러한 예측방식은 설비에서 미세한 상태 변화를 진동이나 열 또는 전동기의 경우 전류의 변화를 계측하여 이를 기설정된 기준값과 비교함으로써 설비의 열화 상태를 판정하고 결함을 예측하게 된다. 그러나 이는 설비상태 변화에 따른 단편적인 증상의 변화만을 알 수 있을 뿐이다. 또 다른 예를 들자면, 설비고장을 예측하기 위해 설비에서 발생하는 진동량의 변화를 검출하는 방법은 진동의 증가만을 파악할 뿐, 진동을 일으키는 근본적인 원인인 하중의 변화나 운전속도의 변화는 알 수 없다. 특히 복합적인 원인에 의한 상태 변화에 대해서는 그 원인을 찾기가 어려워 고장의 정확한 예측을 할 수 없는 문제점이 발생된다. 아울러, 전동기의 경우 전자기적 진동이 상승할 경우 진동량 변화가 정해진 진동기준을 초과 하였으므로 설비가 보다 불안정한 상태임을 알 수 있으나, 이러한 진동량 증가가 전동기의 전기적인 고장을 일으킬 것인지 혹은 기계적 고장을 일으킬 것인지를 예측할 수 없다. 즉 진동량 변화가 기계 상태의 변화를 잘 반영할 수는 있어도 이를 근거로 고장을 예측하는 것은 매우 어렵다는 문제점을 갖고 있다. 따라서, 이러한 종래 설비고장 예측방법의 불합리한 점을 극복하고 단순한 결함예측이 아니라 복합적인 설비고장 원인에 따른 신뢰성을 높일 수 있는 고장예측 방법에 대한 요구가 높아지고 있는 실정이다.

한국등록특허 제 715252호

본 발명은 이와 같은 문제점을 해결하기 위하여 창안된 것으로서, 설비 현장에서 센싱된 신호를 이용하여 분류 모델에 의하여 예측함으로써 현장에서 바로 판단하고 대응할 수 있도록 하는 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치를 제공하는 것을 그 목적으로 한다.

이와 같은 목적을 달성하기 위하여 본 발명에 따른 머신러닝기법을 이용한 고장 부위 예측 방법으로서, (a) 진동 센서로부터 가속도 진동 신호를 수신하는 단계; (b) 상기 단계 (a)에서 수신한 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출하는 단계; (c) 상기 단계 (b)의 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단하는 단계; 및, (d) 상기 단계 (b)의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별하는 단계를 포함한다.

상기 단계 (c)의 또 다른 입력값은 전류 센서 신호 및 회전 센서 신호 중 어느 하나 이상인 것이다.

상기 단계 (d)의 특성 계수 산출은, (d1) 상기 주파수 영역의 속도 진동 신호의 주파수 영역별 특성값을 각 인자로 하는 다차원 변수를 산출하는 단계; 및, (d2) 상기 산출된 다차원 변수를 각 주파수 영역별 기준치 대비 상대값으로 변환하여 정규화된 특성 변수로 변환시키는 단계를 포함한다.

이와 같은 목적을 달성하기 위한 본 발명의 다른 측면은 머신러닝 기법을 이용한 고장 부위 예측 장치로서, 적어도 하나의 프로세서; 및 컴퓨터로 실행가능한 명령을 저장하는 하나의 메모리를 포함하되, 상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행 가능한 명령은, 상기 적어도 하나의 프로세서의 의하여, (a) 진동 센서로부터 가속도 진동 신호를 수신하는 단계; (b) 상기 단계 (a)에서 수신한 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출하는 단계; (c) 상기 단계 (b)의 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단하는 단계; 및, (d) 상기 단계 (b)의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별하는 단계가 실행되도록 한다.

이와 같은 목적을 달성하기 위한 본 발명의 또 다른 측면은 머신러닝 기법을 이용한 고장 부위 예측을 위한 컴퓨터 프로그램으로서, 비일시적 저장 매체에 저장되며, 프로세서에 의하여, (a) 진동 센서로부터 가속도 진동 신호를 수신하는 단계; (b) 상기 단계 (a)에서 수신한 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출하는 단계; (c) 상기 단계 (b)의 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단하는 단계; 및, (d) 상기 단계 (b)의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별하는 단계가 실행되도록 하는 명령을 포함한다.

본 발명에 의하면, 설비 현장에서 센싱된 신호를 이용하여 분류 모델에 의하여 예측함으로써 현장에서 바로 판단하고 대응할 수 있도록 하는 효과가 있다.

도 1은 본 발명에 따른 머신러닝기법을 이용한 고장 부위 예측 시스템의 구성을 나타낸 도면.
도 2는 본 발명에 따른 머신러닝기법을 이용한 고장 부위 예측 어플리케이션이 탑재된 컴퓨터 장치의 구성을 나타낸 도면.
도 3은 본 발명에 따른 머신러닝 기법을 이용한 고장 부위 예측 방법을 나타낸 순서도.
도 4는 도 3에 따른 진동 속도 신호 산출의 연산 처리 과정을 보여주는 도면.

이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

도 1은 본 발명에 따른 머신러닝 기법을 이용한 고장 부위 예측 시스템의 구성을 나타낸 도면으로, 산업현장 등에 설치되어 제품을 생산하는 생산설비(100)와, 생산설비(100)가 설치된 산업현장에서 생산설비의 고장 유무 및 고장부위 예측을 수행하는 고장 부위 예측 장치(200)와, 고장 부위 예측 장치(200)로 분류 학습 모델을 다운로드해주는 클라우드 서버(300)로 구성된다.

생산설비(100)에는 생산설비의 곳곳을 측정하는 적어도 하나 이상의 센서들이 구비된다. 센서는 다양한 물리적 성질을 특정하기 위한 것으로 그 특징에 맞게 개발되어 사용되고 있고, 새로운 기능의 센서들이 꾸준히 연구 개발되고 있다. 본 발명에서는 진동센서(110), 회전센서(120), 전류센서(130)가 구비된다. 그러나 본 발명에서는 나열된 센서들로만 한정하는 것은 아니며, 더 다양한 센서들이 사용될 수 있다.

고장 부위 예측 장치(200)는 임베디드 보드로서 생산설비(100)에 구비된 다양한 센서들(110, 120, 130)로부터 입력 신호를 수신하는 수신부(201)와, 수신된 입력 신호로부터 생산설비(100)의 고장 유무를 판단하고, 수신된 신호를 분류 모델를 통하여 함께 비교하므로 고장 원인을 판단하는 판단부(202)를 포함한다. 여기서 수신부(210)는 생산설비(100) 곳곳에 부착된 센서로부터 데이터를 수집하고 시리얼 통신 포트(도시되지 않음)인 RS232, RS485, 12C, SPI 등도 연결되어 데이터 송수신이 가능하다. 판단부(220)는 하기에서 설명할 클라우드 서버(300)로부터 분류 모델을 다운로드 받으며, 클라우드 서버(300)로부터 분류 모델이 업데이트되면 이를 계속하여 다운로드 받는다.

클라우드 서버(300)는 데이터베이스와 학습을 수행하는 분류 학습 모델를 포함하며 학습 수행을 위한 연산등의 처리가 필요하다. 본 발명에서의 분류 모델은 고장 원인을 판별하기 위해 KNN 알고리즘을 사용한다. 여기서 KNN 고장 원인 판별 알고리즘의 초기 학습은 진동속도 주파수 영역 특성 인자를 사용하며, 고장 원인을 분류하기 위한 초기 학습을 위하여 각 고장 원인별 학습 입력을 생성한다. 본 발명에서는 4가지 예시로 고장원인을 분류할 수 있는데 다음의 [실시예 1]은 입력표 예시를 보여준다.

[실시예 1]

1 : cage 이상 : [1 0 0 0 0 0 0 0]

2 : unbalance : [0 1 0 0 0 0 0 0]

3 : alignment 이상 느슨함 [0 0 1 0.5 0.3 0 0 0]

4 : 베어링 이상: [0 0 0 0 0 1 1 1]

여기서 [실시예 1]과 같이 KNN 알고리즘의 학습 입력은 입력 및 출력 코드로 구성되어 [실시예 1]과 같은 패턴이 입력되었을 때 출력 코드가 [실시예 2]와 같이 출력되도록 학습한다.

[실시예 2]

이와 같이 운전이 진행되면서 고장 발생시 측정된 진동 속도 주파수의 해당 특성 인자를 사용하여 지속적으로 학습을 수행한다.

도 2는 본 발명에 따른 머신러닝 기법을 이용한 고장 부위 예측 어플리케이션이 탑재된 컴퓨터 장치의 구성을 나타낸 도면이다.

머신러닝 기법을 이용한 고장 부위 예측 장치(200)는 프로세서(210), 프로그램과 데이터를 저장하는 비휘발성 저장부(220), 실행 중인 프로그램을 저장하는 휘발성 메모리(230), 다른 기기와 통신을 수행하는 통신부(240), 이들 장치 사이의 내부 통신 통로인 버스 등으로 이루어져 있다. 실행 중인 프로그램으로는 장치 드라이버, 운영체계(Operating System), 및 다양한 어플리케이션이 있을 수 있다. 도시되지는 않았지만, 전자장치는 배터리와 같은 전력 제공부를 포함한다.

고장 부위 예측 어플리케이션(250)은 고장 부위를 예측하여 분류해내는 역할을 수행한다. 이러한 고장 부위 예측 어플리케이션(250)은 머신러닝기법을 이용한 고장 부위 예측 장치(200)에 설치되어 동작되는 프로그램이며, 고장 부위 예측 어플리케이션(250)은 수행에 의한 고장 부위 예측 방법에 관하여는 이하 도 3을 참조하여 상세히 후술하기로 한다.

도 3은 본 발명에 따른 머신러닝 기법을 이용한 고장 부위 예측 방법을 나타낸 순서도.

먼저, 진동 센서로부터 진동 가속도 신호를 수신한다(S200). 여기서 진동센서는 생산설비의 진동 가속도 성분을 검출하는 것이다.

이어서, 단계 S200 이후, 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출한다(S210). 여기서 도 4는 도 3에 따른 진동 속도 신호 산출의 연산 처리 과정을 보여주는 도면이다.

그리고 속도 진동 신호가 산출되면(S210), 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값인 회전 센서 입력값 및 전류 센서 입력 값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단한다(S220).

RMS 값은 [수식 1]에 의하여 산출된다.

[수식 1]

여기서, X_i는 DC 성분을 제외한 AC 성분 값이다.

그리고 단계 S210의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별한다(S230).

한편, 특성 계수 산출은 주파수 영역의 속도 진동 신호에서 주파수 영역별 피크값을 검출하여 이를 8차원으로 변수화 시킨다. 예를 들면, 도 4의 Fv(f) 신호의 파워 스펙트럼 신호의 아래의 [표 1]과 같이 영역별 피크값을 검출한다.

[표 1]

여기서, X는 모터의 회전 주파수이고, fs는 샘플링 주파수이다.

그리고 각 대역별 검출된 피크치 값을 아래의 [예시 1] 과 같이 8차원의 변수로 표현하다.

[예시 1]

[0.90 2.15 0.48 0.59 1.31 0.44 0.10 0.34]

이후, 영역별 피크값을 각 밴드별 기준치 대비 상대치로 표현하여 특성 계수화 한다. 여기서 각 밴드별 기준치는 [표 2]와 같고, 이는 ISO 10816-3 Large Motor Alarn 1 Level을 기준으로 설정할 수 있다.

[표 2]

[표 2]의 기준치를 기준으로 [예시 1]에서의 변수를 상대치로 하는 특성 계수로 표현할 수 있으며, 이는 [예시 2]와 같다.

[예시 2]

[0.33 -0.47 -0.70 -0.64 0.16 -0.61 -0.89 -0.50]

그리고 마지막으로 군집화 알고리즘에 의하여 군집 분류를 수행하는데 속도 주파수 대역의 특성 계수를 군집화 알고리즘의 입력으로하여 군집화 분류를 수행한다.

이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

100: 생산설비
110: 진동센서
120: 회전센서
130: 전류센서
200: 고장부위 예측 장치
201: 수신부
202: 판단부
300: 클라우드 서버

Claims

머신러닝기법을 이용한 고장 부위 예측 방법으로서,
(a) 진동 센서로부터 가속도 진동 신호를 수신하는 단계;
(b) 상기 단계 (a)에서 수신한 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출하는 단계;
(c) 상기 단계 (b)의 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단하는 단계; 및,
(d) 상기 단계 (b)의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별하는 단계
를 포함하는 머신러닝기법을 이용한 고장 부위 예측 방법.
청구항 1에 있어서,
상기 단계 (c)의 또 다른 입력값은 전류 센서 신호 및 회전 센서 신호 중 어느 하나 이상인 것
을 특징으로 하는 머신러닝기법을 이용한 고장 부위 예측 방법.
청구항 1에 있어서,
상기 단계 (d)의 특성 계수 산출은,
(d1) 상기 주파수 영역의 속도 진동 신호의 주파수 영역별 특성값을 각 인자로 하는 다차원 변수를 산출하는 단계; 및,
(d2) 상기 산출된 다차원 변수를 각 주파수 영역별 기준치 대비 상대값으로 변환하여 정규화된 특성 변수로 변환시키는 단계
를 포함하는 것을 특징으로 하는 머신러닝기법을 이용한 고장 부위 예측 방법.
머신러닝 기법을 이용한 고장 부위 예측 장치로서,
적어도 하나의 프로세서; 및
컴퓨터로 실행가능한 명령을 저장하는 하나의 메모리를 포함하되,
상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행 가능한 명령은, 상기 적어도 하나의 프로세서의 의하여,
(a) 진동 센서로부터 가속도 진동 신호를 수신하는 단계;
(b) 상기 단계 (a)에서 수신한 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출하는 단계;
(c) 상기 단계 (b)의 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단하는 단계; 및,
(d) 상기 단계 (b)의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별하는 단계
가 실행되도록 하는 머신러닝 기법을 이용한 고장 부위 예측 장치.
머신러닝 기법을 이용한 고장 부위 예측을 위한 컴퓨터 프로그램으로서,
비일시적 저장 매체에 저장되며, 프로세서에 의하여,
(a) 진동 센서로부터 가속도 진동 신호를 수신하는 단계;
(b) 상기 단계 (a)에서 수신한 가속도 진동 신호를 주파수 영역으로 변환하고, 이 주파수 영역으로 변환된 가속도 진동신호로부터 수치 연산하여 얻어진 주파수 영역의 속도 진동 신호를 역변환 함으로 속도 진동 신호를 산출하는 단계;
(c) 상기 단계 (b)의 가속도 진동 신호 및 속도 진동 신호로부터 산출된 RMS 값 및 또 다른 입력값을 통하여 RMS 값이 기준치 이상인 경우 고장으로 판단하는 단계; 및,
(d) 상기 단계 (b)의 주파수 영역의 속도 진동 신호로부터 특성 계수를 산출하여, 이 산출된 특성 계수를 분류 모델에 입력시켜 비교하므로 고장 증상을 판별하는 단계
가 실행되도록 하는 명령을 포함하는 머신러닝 기법을 이용한 고장 부위 예측을 위한 컴퓨터 프로그램.