KR20210042961A - 기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법 - Google Patents

기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법 Download PDF

Info

Publication number
KR20210042961A
KR20210042961A KR1020217007329A KR20217007329A KR20210042961A KR 20210042961 A KR20210042961 A KR 20210042961A KR 1020217007329 A KR1020217007329 A KR 1020217007329A KR 20217007329 A KR20217007329 A KR 20217007329A KR 20210042961 A KR20210042961 A KR 20210042961A
Authority
KR
South Korea
Prior art keywords
service life
machine
remaining service
data
neural network
Prior art date
Application number
KR1020217007329A
Other languages
English (en)
Other versions
KR102480354B1 (ko
Inventor
크리스토프 베르크스
마르셀 힐데브란트
모하메드 카릴
제르가이 모고레아누
스바티 샴 준데르
Original Assignee
지멘스 악티엔게젤샤프트
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 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20210042961A publication Critical patent/KR20210042961A/ko
Application granted granted Critical
Publication of KR102480354B1 publication Critical patent/KR102480354B1/ko

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32234—Maintenance planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

기계의 상태 데이터(A)에 기반하여, 서로 독립적인 복수의 기본 시뮬레이션들(B)이 수행되며, 이들은 기계에 대한 개개의 남아있는 사용 수명 예측들(P1, P2, P3)을 결정한다. 남아있는 사용 수명 예측들, 및 기계들의 속성들을 설명하는 특성 데이터(D)가 뉴럴 네트워크(E)에 공급된다. 뉴럴 네트워크는 남아있는 사용 수명 예측들에 대한 가중치들(F)을 출력한다. 최종 예측(G)은, 남아있는 사용 수명 예측들을 가중치들에 따라 서로에 대해 가중함으로써 컴퓨터 보조로 남아있는 사용 수명 예측들로부터 계산된다. 따라서, 하이브리드 모델이 생성되며, 이는 뉴럴 네트워크와 기본 시뮬레이션들의 결합을 초래한다. 이전과는 달리, 남아있는 사용 수명은, 특정 시뮬레이션 모델이 수동으로 생성된 적은 수의 기계들에 대해서만 예측되지 않을 수 있다. 대신, 하이브리드 모델은 또한, 동일한 기계 부류에만 속하는 기계들의 임의의 추가적인 유형들 및 구성들에 대한 상태 모니터링을 가능하게 한다. 따라서, 기본 시뮬레이션들은 이전에 알려지지 않은 기계들에 또한 적용될 수 있다. 더 이상 FEM 시뮬레이션 및 가능하게는 CAD 모델을 수동으로 생성하는 데 시간을 소비할 필요가 없다. 뉴럴 네트워크는 데이터-기반 방식으로, 기본 시뮬레이션들 각각이 기계 전문가들로서 얼마나 강력하게 사용되어야 하는지를 판단한다.

Description

기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법
산업에서 사용되는 기계의 남아있는 사용 수명(service life)(또한, "남아있는 유효 수명"으로 지칭됨)을 예측하기 위해, 일반적으로는 상태 모니터링(monitoring)의 분야들, 및 특히 구조적 건강상태(health) 모니터링으로 알려진 것으로부터의 접근법들이 알려져 있다. 기계의 기계적 부하를 모니터링하는 것은 그 기계의 잠정적인 남아있는 사용 수명을 예측하는 것을 가능하게 하며, 그에 의해 그 기계의 수리 시간들 및 비가동시간(downtime)들을 최소화하는 것을 가능하게 한다. 기계의 사용 수명이 증가되고, 서비싱(servicing) 간격들이 더 양호하게 스케줄링(schedule)될 수 있다.
남아있는 사용 수명을 예측하기 위해, 개개의 분야의 전문가는 보통, 기계 상의 유한 엘리먼트(element) 방법(FEM 시뮬레이션(simulation))을 통해 CAD 모델(model) 및 구조적 역학 모델을 생성한다. 이어서, 기계의 상태 데이터(data)가 확인되며, 이들은, 예컨대 특히 기계 상의 진동 센서(sensor)들에 의해 공급될 수 있는 센서 데이터로부터 획득된다. 상태 데이터는 FEM 시뮬레이션에서 경계 조건(boundary condition)들로 고려되며, 그에 의해 남아있는 사용 수명을 예측하는 것을 가능하게 한다.
본 발명은 종래 기술에 대한 대안을 제공하도록 의도된다.
이러한 목적은, 기계, 특히 모터(motor)의 남아있는 사용 수명을 예측하기 위해, 복수의 상호 독립적인 기본 시뮬레이션들이 기계의 상태 데이터에 기반하여 수행되며, 이들 각각은 컴퓨터-보조(computer-aided) 방식으로 기계에 대한 남아있는 사용 수명 예측을 확인한다는 점에서 본 발명에 따라 달성된다. 남아있는 사용 수명 예측들, 및 기계의 속성들을 설명하는 특성 데이터가 뉴럴 네트워크(neural network)에 공급된다. 뉴럴 네트워크는 남아있는 사용 수명 예측들에 대한 가중치들을 출력한다. 최종 예측은, 남아있는 사용 수명 예측들을 가중치들에 따라 서로에 대해 가중함으로써 컴퓨터-보조 방식으로 남아있는 사용 수명 예측들로부터 계산된다.
어레인지먼트(arrangement)는, 기계의 상태 데이터에 기반하여 기계에 대한 남아있는 사용 수명 예측을 각각 확인하는 복수의 상호 독립적인 기본 시뮬레이션들을 수행하고; 기계의 속성들을 설명하는 특성 데이터와 함께 남아있는 사용 수명 예측들을 뉴럴 네트워크에 공급하고; 뉴럴 네트워크에 의해 남아있는 사용 수명 예측들에 대한 가중치들을 출력하며; 그리고 남아있는 사용 수명 예측들로부터 최종 예측을 계산하도록 프로그래밍(program)된 하나 이상의 컴퓨팅 유닛(computing unit)들을 포함하고, 여기서 남아있는 사용 수명 예측들은 가중치들에 따라 서로에 대해 가중된다.
아래에서 언급되는 장점들은 반드시 독립 특허 청구항들의 청구대상들을 통해 달성될 필요는 없다. 반대로, 이들은 또한, 개별 실시예들, 변형들 또는 개발들을 통해서만 달성되는 장점들일 수 있다. 동일한 사항이 다음의 설명들에 적용된다.
어레인지먼트의 컴퓨팅 유닛은, 예컨대, 프로그래밍가능 로직(programmable logic) 제어기, 마이크로프로세서(microprocessor) 또는 마이크로제어기(microcontroller), 시스템-온-칩(system-on-chip) 또는 프로그래밍가능 디지털 컴포넌트(digital component), 예컨대 FPGA("field-programmable gate array"), 워크스테이션(workstation), 서버(server), 컴퓨터 네트워크 또는 클라우드(cloud)이다. 복수의 상기 컴퓨팅 유닛들은 또한, 동일하거나 상이한 계산 단계들을 병렬로 실행할 수 있다.
방법 및 어레인지먼트는 기본 시뮬레이션들을 뉴럴 네트워크와 결합한 것으로부터 초래되는 하이브리드(hybrid) 모델을 사용한다. 이전의 접근법들에서와는 달리, 남아있는 사용 수명은, 특정 시뮬레이션 모델이 수동으로 생성된 적은 수의 기계들에 대해서만 예측되지 않을 수 있다. 이 대신, 하이브리드 모델은 또한, 동일한 기계 부류에만 속하는 기계들의 임의의 추가적인 유형들 및 구성들에 대한 상태 모니터링을 허용한다. 따라서, 기본 시뮬레이션들은 지금까지 알려지지 않은 기계들에 또한 적용될 수 있다. FEM 시뮬레이션 및 가능하게는 CAD 모델을 수동으로 생성하기 위한 시간 소비가 생략된다. 뉴럴 네트워크는, 기본 시뮬레이션들 중 어느 것이 기계 전문가들로서 어느 정도까지 적용되어야 하는지에 관한 데이터-기반 판단(data-driven decision)을 행한다.
특성 데이터에 기반하여 최상의 기본 시뮬레이션을 수동으로 룩업(look up)하는 경우와는 달리, 뉴럴 네트워크는 또한, 인간들에게 즉각적으로 자명하지 않은 특성 데이터의 양상들을 평가하고 암묵적으로 학습할 수 있다. 더욱이, 뉴럴 네트워크는 또한, 특성 데이터, 상태 데이터 및 남아있는 사용 수명 사이의 복잡한 비선형 관계들을 학습할 수 있다. 학습은 데이터-기반 방식으로 발생할 수 있어서, 할당이 수동으로 특정될 필요가 없다.
추가적인 장점은, 뉴럴 네트워크가, 복수의 기본 시뮬레이션들을 결합하고, 그들을 서로에 대해 가중할 수 있다는 것이다. 이는, 자체적 임의의 기본 시뮬레이션보다 더 큰 예측 능력을 갖는 집성된 모델을 초래한다.
기본 시뮬레이션들과 상호작용하지 않는 뉴럴 네트워크를 이용하는 순수한 데이터-기반 학습과는 대조적으로, 이는, 뉴럴 네트워크가 출력하는 가중치들에 인간들이 액세스가능(accessible)해서, 기본 시뮬레이션들 중 어느 것이 남아있는 사용 수명을 예측하는 데 어느 정도까지 적용되었는지를 이해하는 것을 가능하게 하는 장점을 초래한다. 이는 또한, 유지보수 엔지니어(engineer) 또는 계산 엔지니어가 가중치들을 모니터링하고 가능하게는 이들을 정정하기 위한 옵션(option)을 초래한다.
일 실시예에 따르면, 뉴럴 네트워크는 선형 가중치들의 벡터(vector)를 출력한다. 최종 예측은 가중치들을 계수들로서 사용하여 남아있는 사용 수명 예측들을 선형 결합함으로써 계산된다.
추가적인 실시예에 따르면, 센서들은 기계의 동작의 센서 데이터를 획득한다. 기계의 상태 데이터는 컴퓨터-보조 방식으로 센서 데이터로부터 도출된다.
일 개량에서, 센서 데이터는, 그들이 획득된 이후, 방법 단계들의 나머지가 수행되는 클라우드로 송신된다. 대안으로서, 상태 데이터는, 그들이 도출된 이후, 방법 단계들의 나머지가 수행되는 클라우드로 송신된다.
일 실시예에 따르면, 기계의 상태 데이터는 상태 식별 모듈(module), 특히 뉴럴 네트워크에 의해 센서 데이터로부터 도출된다. 이것은 위에서 언급된 뉴럴 네트워크와는 상이한 뉴럴 네트워크이다.
컴퓨터-판독가능 데이터 캐리어(carrier)는 컴퓨터 프로그램(program)을 저장하며, 그 컴퓨터 프로그램은 그것이 프로세서(processor) 상에서 구동될 때, 방법을 실행한다.
컴퓨터 프로그램은 프로세서 상에서 구동되고, 프로세스(process)에서 방법을 실행한다.
본 발명의 예시적인 실시예들은 도면들을 참조하여 아래에서 더 상세히 설명된다. 도면들에서, 동일하거나 기능적으로 동일한 엘리먼트들에는, 달리 표시되지 않는 한 동일한 참조 부호들이 제공된다. 도면들에서:
도 1은 기계의 남아있는 사용 수명을 예측하기 위한 흐름도를 도시한다.
도 2는 산업용 클라우드(IC) 및 예측 유지보수 대시보드(PMD: predictive maintenance dashboard)의 생산 시설(PP)의 개관을 도시한다.
도 1은 기계의 남아있는 사용 수명을 예측하기 위한 흐름도를 도시한다. 먼저, 센서들은 기계의 동작의 센서 데이터를 획득한다. 많은 경우들에서, 진동들의 센서 측정들이 특히 중요하다. 예컨대, 기계는 생산 시설의 모터이다. 센서 데이터는 주변기기 유닛에서 분산 방식으로 수집되고, 프로그래밍가능 로직 제어기에 포워딩(forward)된다.
모터를 모니터링하기 위해, 예컨대 2개 내지 3개의 센서들, 예컨대 진동 및 가속도 센서들이 설치되며, 가능하게는 온도 센서 및 스트레인 게이지(strain gauge)들로 또한 보완될 수 있다. 센서들은 바람직하게, 베어링(bearing) 또는 샤프트(shaft)에 가능한 가깝게 엔드 쉴드(end shield) 상의 구동 측에 배열된다. 진동 센서들의 측정 방향은 바람직하게, 샤프트에 대해 측방향으로 배향된다.
도 1에 더 이상 상세하게 도시되지 않은 상태 식별 모듈은 센서 데이터로부터 상태 데이터(A)를 도출하며, 상태 데이터(A)는, 예컨대 제1 상태 데이터(A1)로서 병렬 오프셋(offset)을 그리고 제2 상태 데이터(A2)로서 모터의 샤프트 배향의 각도 오프셋을 포함한다. 상태 식별 모듈은 센서 데이터로부터, 상태 데이터(A)로서 결함들 또는 이상들, 이를테면 예컨대, 병렬 오프셋 또는 각도 오프셋을, 또는 심지어 일반적인 동작 파라미터(parameter)들, 이를테면 예컨대, 모터의 회전 속도를 도출할 수 있는 AI-기반 식별 모듈이다. 예컨대, 상태 데이터는 그러한 결함들 또는 이상들의 유형, 정도 및/또는 위치를 포함하고, 개개의 기계 부류에 의존할 수 있다.
뉴럴 네트워크, 예컨대 콘볼루셔널 뉴럴 네트워크(CNN: convolutional neural network), 순환 뉴럴 네트워크(RNN: recurrent neural network) 또는 장단기 메모리(LSTM: long short-term memory) 네트워크가 상태 식별 모듈로서 적합하다.
이러한 뉴럴 네트워크는 센서 데이터와 상태 데이터 사이의 관계를 학습하기 위해 사전에 트레이닝(train)된다. 이러한 트레이닝은, 그것이 동일한 부류의 기계들에 대해 견고하고 일반적인 방식으로 수행될 수 있으므로 사전에 발생한다.
이를 위해, 센서 데이터는 복수의 기계들의 실험 구조로부터 또는 전술된 센서들이 탑재된 실제 사용 기계들로부터 사전에 레코딩(record)된다. 센서 데이터에는, 라벨(label)의 형태로 개개의 기계들의 상태 데이터(예컨대, 정상 또는 결함, 가능하게는 어떤 장애인지)가 수동으로 제공되며, 그에 의해, 트레이닝 데이터를 형성한다. 이어서, 뉴럴 네트워크는 이들 트레이닝 데이터를 이용하여 트레이닝된다.
도 1에 도시된 예시적인 실시예에서, 이러한 방식으로 트레이닝된 상태 식별 모듈이 이미 존재하며, 이는, 이것이 조사될 기계의 센서 데이터로부터 직접 상태 데이터(A)를 제공할 수 있다는 것을 의미한다.
이어서, 복수의 상호 독립적인 기본 시뮬레이션들(B)이 상태 데이터(A)에 기반하여 컴퓨터-보조 방식으로 수행된다. 기본 시뮬레이션들(B)은 기계의 기계 부류에 적어도 대응하고 남아있는 사용 수명을 예측하는 시뮬레이션 모델들이다. 특정한 특성들은 기계 부류에 의해 미리 정의된다. 예컨대, 기본 시뮬레이션들 모두는, 예컨대 기계 부류 모터 또는 특정한 모터 부류, 예컨대 전기 모터 또는 하위부류, 이를테면 3상 전류 모터에 관련된다. 특별히 존재하는 기계의 경우, 기본 시뮬레이션들(B)은 어떠한 정확한 예측들도 행할 수 있을 필요가 없는데, 그 이유는 기본 시뮬레이션들 각각이 개개의 부류 내의 상이한 유형들의 기계들을 시뮬레이션하기 때문이다. 그럼에도 불구하고, 임의의 기본 시뮬레이션은, 이전에 알려지지 않은 기계의 남아있는 사용 수명을 예측하는 데 기여하는 정보를 포함할 수 있다. 주어진 기본 시뮬레이션이 예측에 기여할 수 있는 정도는 기본 시뮬레이션 및 기계의 기본 물리적 속성들로부터 초래된다. 이러한 경우, 특정한 역할은 기계의 지오메트리(geometry) 및 재료 속성들에 의해 행해지며, 이들은 기계의 특성 데이터(D)의 일부로서 존재하는 기계의 데이터 시트(sheet)에서 특정된다. 특성 데이터(D)는, 예컨대 기계의 속성들, 예컨대 기계의 지오메트리 또는 기계의 재료 속성들을 특정하는 카탈로그(catalog) 데이터이다.
이러한 경우, 제1 기본 시뮬레이션(B1)은 기계에 대한 제1 남아있는 사용 수명 예측(P1)을 확인하고, 제2 기본 시뮬레이션(B2)은 제2 남아있는 사용 수명 예측(P2)을 확인하며, 제3 기본 시뮬레이션(B3)은 제3 남아있는 사용 수명 예측(P3)을 확인한다. 이어서, 남아있는 사용 수명 예측들(P1, P2 및 P3) 및 기계의 속성들을 설명하는 특성 데이터(D)는 가중치들(F)을 출력하는 뉴럴 네트워크(E)에 공급된다. 도 1에 도시된 뉴럴 네트워크(E)는 상태 식별 모듈의 가능한 구현으로서 위에서 설명되었고 센서 데이터로부터 상태 데이터를 도출하는 뉴럴 네트워크와는 독립적이다.
최종 예측(G)은, 남아있는 사용 수명 예측들(P1, P2 및 P3)을 가중치들(F)에 따라 서로에 대해 가중함으로써 컴퓨터-보조 방식으로 남아있는 사용 수명 예측들로부터 계산된다.
예컨대, 뉴럴 네트워크(E)는 다층 순방향 네트워크이며, 선형 가중치들(w1, w2, w3)의 벡터를 출력한다. 이러한 경우, 최종 예측(G)은 가중치들(w1, w2, w3)을 계수들로서 사용하여 남아있는 사용 수명 예측들(P1, P2 및 P3)을 선형 결합함으로써 계산될 수 있다:
G = w1·P1 + w2·P2 + w3·P3.
남아있는 사용 수명 예측들(P1, P2 및 P3) 및 최종 예측(G)은, 예컨대, 일(day)들 또는 월(month)들로 남아있는 지속기간을 특정하는 수치 값들일 수 있다. 예컨대, 이중 단어로 저장된 부동 소수점 숫자는 각각의 경우에서, 이들 변수들에 대한 데이터 유형으로 선택될 수 있다.
원칙적으로, 임의의 블랙 박스(black box) 또는 화이트 박스(white box) 모델들이 기본 시뮬레이션들(B)로서 적합하다. 예로서, 기계의 컴포넌트들(예컨대, 회전자, 고정자, 베어링 등) 사이의 관계들, 및 경험적 수학식들을 통한 그들의 상호작용을 모델링(model)하는 모델들이 기본 시뮬레이션들(B)에 대해 또한 적합하다.
FEM 시뮬레이션들은 바람직하게, 기본 시뮬레이션들로 사용된다. 약어 FEM은 종래 기술로부터 알려진 유한 엘리먼트 방법을 나타내며, 이는 기계를 모델링 및 시뮬레이션하는 데 사용된다. 유한 엘리먼트 방법의 맥락에서, 상태 데이터(A)는 경계 조건들로서 직접 고려된다. FEM 시뮬레이션들은 모터들의 경우와 같이, 복잡한 구조들을 갖는 기계들에 대해 특히 적합하다.
남아있는 사용 수명을 예측하기 위해 FEM 시뮬레이션을 사용하기 전에, 뉴럴 네트워크(E)는 트레이닝을 겪어야 하며, 여기서 뉴럴 네트워크(E)는 개별 기본 시뮬레이션들(B)에 대한 임의의 기계의 할당, 즉 어느 기본 시뮬레이션들(B)이 이러한 기계에 특히 매우 적합한지를 암묵적으로 학습한다.
이러한 목적을 위해, 트레이닝 데이터는 많은 양의 상이한 상태 데이터에 대한 기본 시뮬레이션들을 수행함으로써 생성된다. 상태 데이터는 상태 데이터의 가장 현실적인 가능한 대역폭을 커버하는, 상태 데이터의 공간에서의 구역, 즉, 진행중인 동작 동안 실제로 발생할 수 있는 상태들, 이를테면 결함들 및 이상들을 먼저 선택함으로써 인위적으로 생성된다. 이어서, 등거리 그리드(grid)를 따른 값들이 이러한 구역에서 생성된다. 이러한 경우, 상태 데이터는 기본 시뮬레이션들 또는 유한 엘리먼트 모델들에 의해 프로세싱(process)되는 다수의 가상 이상들을 포함한다. 남아있는 사용 수명은 상태 데이터의 각각의 구성에 대해 계산되며, 이는 각각의 경우에서, 뉴럴 네트워크(E)에 대한 트레이닝 데이터로서 데이터 쌍을 초래한다. 데이터 쌍은 개개의 상태 데이터를 입력 데이터로서 그리고 개개의 남아있는 사용 수명을 출력 데이터로서 포함한다. 이들 데이터 쌍들은 뉴럴 네트워크(E)를 트레이닝시키는 데 사용된다.
도 2는 기계(M), 예컨대 모터가 동작되는 생산 시설(PP)을 도시한다. 기계(M)의 남아있는 사용 수명(RUL)은 확인되어 유지보수 엔지니어에게 출력하도록 의도된다. 특수성은 기계(M)에 대한 어떠한 특정 시뮬레이션 모델도 존재하지 않는다는 것, 즉 그 시뮬레이션 모델이 이러한 의미에서 아직 알려지지 않았다는 것이다.
기계(M)에는 센서들이 탑재되어 있다. 이들은 동일한 유형의 센서들이며, 이들을 사용하여, 위에서 설명된 상태 식별 모듈은 센서 데이터로부터 상태 데이터를 도출하도록 트레이닝되었다. 기계(M)에 대한 충분한 품질의 센서 측정들을 허용하는, 센서들을 설치하기 위한 적합한 위치들은, 예컨대 당업자에 의해 또는 표준에 따라 선택된다. 기계(M)가 동일한 기계 부류(그 부류의 기계들은 상태 식별 모듈을 트레이닝시키는 데 사용되었음)으로부터 유래하므로, 구조, 성능 및 치수들은, 상태 식별 모듈이 또한 센서 데이터로부터 기계(M)에 대한 상태 데이터를 도출할 수 있는 정도와 유사하다.
상태 식별 모듈은, 예컨대 임베디드(embedded) 산업용 PC NB에서 구동되는 에지 컴퓨팅 알고리즘(edge computing algorithm)으로서 구현되며, 이는 기계(M)로부터 센서 데이터를 수신하고, 상태 데이터를 산업용 클라우드(IC)에 포워딩한다. 대안으로서, 센서 데이터는 또한, 임베디드 산업용 PC NB에만 버퍼-저장(buffer-store)될 수 있다. 이러한 경우, 상태 식별 모듈은 산업용 클라우드(IC)에서 동작하며, 센서 데이터가 산업용 클라우드(IC)에서 수신되자마자 상태 데이터를 도출한다.
산업용 클라우드(IC)는 기계(M)에 대한 기계 프로파일(profile)(MP)을 유지하며, 그 기계 프로파일은 기계(M)의 전술된 특성 데이터, 및 기계(M) 및 임베디드 산업용 PC NB의 위치에 관한 정보를 포함한다. 기계 프로파일(MP)은 기계(M)에 관한 정보를 하이브리드 모델(HM)에 제공하는, 산업용 클라우드(IC) 내의 기계(M)의 인스턴스(instance)로서 기능한다. 하이브리드 모델(HM)은 도 1로부터의 기본 시뮬레이션들(B) 및 뉴럴 네트워크(E)를 포함한다. 상태 데이터에 부가하여, 그것은 또한, 기계 프로파일(MP)로부터 기계(M)의 특성 데이터를 수신하고, 도 1을 참조하여 설명된 바와 같이, 기계(M)의 남아있는 사용 수명(RUL)을 계산하며, 이는 예측 유지보수 대시보드(PMD) 상에서 유지보수 엔지니어에게 출력된다. 기계 프로파일(MP)이 셋업(set up)되고 하이브리드 모델(HM)이 트레이닝된 이후, 이러한 프로세스는 완전히 자동화된 방식으로 구동될 수 있다.
SIMATIC Nanobox가, 예컨대 임베디드 산업용 PC NB로서 적합하고; IoT 게이트웨이(gateway), 예컨대 SIMATIC IOT2040가 또한 대안으로서 사용될 수 있다. MindSphere가, 예컨대 산업용 클라우드(IC)로서 적합하다.
설명된 알고리즘들 및 컴퓨팅 단계들은, 예컨대 기계의 컴퓨팅 유닛들에서, 로컬 프로그래밍가능 로직 제어기들에서, 서버들 상에서 또는 클라우드에서 실행될 수 있다.
알고리즘들 및 시뮬레이션들의 특정 설계는 센서들 및 기계들의 기술에 의존한다. 다수의 상태 식별 알고리즘들 및 시뮬레이션 알고리즘들이 상이한 센서 기술들 및 유형들의 기계에 대해 종래 기술로부터 알려져 있으며, 개별 계산 단계들을 수행하는 데 사용될 수 있다.
본 발명이 예시적인 실시예들에 의해 상세히 설명 및 예시되었지만, 본 발명은 개시된 예들에 의해 제한되지 않는다. 본 발명의 보호 범위를 벗어나지 않으면서, 다른 변형들이 당업자에 의해 본 발명으로부터 도출될 수 있다. 설명된 예시적인 실시예들, 변형들, 실시예들 및 개발들이 또한 서로 자유롭게 결합될 수 있다.

Claims (9)

  1. 기계, 특히 모터(motor)의 남아있는 사용 수명(service life)을 예측하기 위한 방법으로서,
    - 복수의 상호 독립적인 기본 시뮬레이션(simulation)들(B)은 상기 기계의 상태 데이터(data)(A)에 기반하여 컴퓨터-보조(computer-aided) 방식으로 수행되며, 상기 복수의 상호 독립적인 기본 시뮬레이션들(B) 각각은 상기 기계에 대한 남아있는 사용 수명 예측(P1, P2, P3)을 확인하고,
    - 상기 남아있는 사용 수명 예측들, 및 상기 기계의 속성들을 설명하는 특성 데이터(D)가 뉴럴 네트워크(neural network)(E)에 공급되고,
    - 상기 뉴럴 네트워크는 상기 남아있는 사용 수명 예측들에 대한 가중치들(F)을 출력하며, 그리고
    - 최종 예측(G)은, 상기 남아있는 사용 수명 예측들을 상기 가중치들에 따라 서로에 대해 가중함으로써 컴퓨터-보조 방식으로 상기 남아있는 사용 수명 예측들로부터 계산되는, 남아있는 사용 수명을 예측하기 위한 방법.
  2. 제1항에 있어서,
    - 상기 뉴럴 네트워크는 선형 가중치들의 벡터(vector)를 출력하며, 그리고
    - 상기 최종 예측은 상기 가중치들을 계수들로서 사용하여 상기 남아있는 사용 수명 예측들을 선형 결합함으로써 계산되는, 남아있는 사용 수명을 예측하기 위한 방법.
  3. 제1항 또는 제2항에 있어서,
    - 센서(sensor)들은 상기 기계의 동작의 센서 데이터를 획득하고, 그리고
    - 상기 기계의 상태 데이터는 컴퓨터-보조 방식으로 상기 센서 데이터로부터 도출되는, 남아있는 사용 수명을 예측하기 위한 방법.
  4. 제3항에 있어서,
    - 상기 센서 데이터는, 상기 센서 데이터가 획득된 이후, 방법 단계들의 나머지가 수행되는 클라우드(cloud)로 송신되거나, 또는
    - 상기 상태 데이터는, 상기 상태 데이터가 도출된 이후, 상기 방법 단계들의 나머지가 수행되는 클라우드로 송신되는, 남아있는 사용 수명을 예측하기 위한 방법.
  5. 제3항 또는 제4항에 있어서,
    - 상기 기계의 상태 데이터는 상태 식별 모듈(module), 특히 뉴럴 네트워크에 의해 상기 센서 데이터로부터 도출되는, 남아있는 사용 수명을 예측하기 위한 방법.
  6. 하나 이상의 컴퓨팅 유닛(computing unit)들을 이용하여 기계, 특히 모터의 남아있는 사용 수명을 예측하기 위한 어레인지먼트(arrangement)로서,
    상기 하나 이상의 컴퓨팅 유닛들은,
    - 상기 기계의 상태 데이터(A)에 기반하여 상기 기계에 대한 남아있는 사용 수명 예측(P1, P2, P3)을 각각 확인하는 복수의 상호 독립적인 기본 시뮬레이션들(B)을 수행하고,
    - 상기 기계의 속성들을 설명하는 특성 데이터(D)와 함께 상기 남아있는 사용 수명 예측들을 뉴럴 네트워크(E)에 공급하고,
    - 상기 뉴럴 네트워크에 의해 상기 남아있는 사용 수명 예측들에 대한 가중치들(F)을 출력하며, 그리고
    - 상기 남아있는 사용 수명 예측들로부터 최종 예측(G)을 계산하도록
    프로그래밍(program)되고,
    상기 남아있는 사용 수명 예측들은 상기 가중치들에 따라 서로에 대해 가중되는, 남아있는 사용 수명을 예측하기 위한 어레인지먼트.
  7. 제6항에 있어서,
    상기 어레인지먼트는,
    - 상기 기계의 동작의 센서 데이터를 획득하도록 설계된 센서들을 갖고, 그리고
    - 상기 센서 데이터로부터 상기 기계의 상태 데이터를 도출하도록 설계된 뉴럴 네트워크를 갖는, 남아있는 사용 수명을 예측하기 위한 어레인지먼트.
  8. 컴퓨터-판독가능 데이터 캐리어(carrier)로서,
    - 컴퓨터 프로그램(program)을 저장하며, 상기 컴퓨터 프로그램은, 상기 컴퓨터 프로그램이 프로세서(processor) 상에서 구동될 때, 청구항 제1항 내지 제5항 중 어느 한 항의 방법을 실행하는, 컴퓨터-판독가능 데이터 캐리어.
  9. 컴퓨터 프로그램으로서,
    - 상기 컴퓨터 프로그램은 프로세서 상에서 구동되며, 프로세스(process)에서 제1항 내지 제5항 중 어느 한 항의 방법을 실행하는, 컴퓨터 프로그램.
KR1020217007329A 2018-08-14 2019-08-12 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법 KR102480354B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18188924.7 2018-08-14
EP18188924.7A EP3611588A1 (de) 2018-08-14 2018-08-14 Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine
PCT/EP2019/071567 WO2020035439A1 (de) 2018-08-14 2019-08-12 Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine

Publications (2)

Publication Number Publication Date
KR20210042961A true KR20210042961A (ko) 2021-04-20
KR102480354B1 KR102480354B1 (ko) 2022-12-21

Family

ID=63452367

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217007329A KR102480354B1 (ko) 2018-08-14 2019-08-12 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법

Country Status (8)

Country Link
US (1) US11243526B2 (ko)
EP (2) EP3611588A1 (ko)
JP (1) JP7187673B2 (ko)
KR (1) KR102480354B1 (ko)
CN (1) CN112513760A (ko)
BR (1) BR112021002542A2 (ko)
MX (1) MX2021001741A (ko)
WO (1) WO2020035439A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11692723B2 (en) * 2020-03-12 2023-07-04 Honeywell International Inc. Predictive maintenance convolutional neural networks
CN111507046B (zh) * 2020-04-16 2022-09-06 哈尔滨工程大学 一种电动闸阀剩余使用寿命预测方法及系统
CN112560234B (zh) * 2020-12-01 2024-03-12 江苏南高智能装备创新中心有限公司 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端
CN112580263B (zh) * 2020-12-24 2022-05-10 湖南工业大学 基于时空特征融合的涡扇发动机剩余使用寿命预测方法
CN114189520B (zh) * 2021-10-15 2022-08-19 中标慧安信息技术股份有限公司 基于边缘计算的终端设备寿命预测方法和系统
CN114646891B (zh) * 2022-03-10 2023-05-30 电子科技大学 一种结合lstm网络和维纳过程的剩余寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6010204B2 (ja) * 1977-09-06 1985-03-15 香苗 小宮山 差圧発生装置
JP2008232758A (ja) * 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
US20120179326A1 (en) 2011-01-06 2012-07-12 Eurocopter Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft
US20170091358A1 (en) 2015-09-27 2017-03-30 Caterpillar Inc. Model-based prognosis of machine health
KR20180037760A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 상태 추정 장치 및 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07281714A (ja) * 1994-04-06 1995-10-27 Kawasaki Heavy Ind Ltd シミュレーション方法およびそれに用いる装置
CN101072984A (zh) * 2004-12-06 2007-11-14 卡特彼勒公司 机械的振动分析系统和方法
JP4661250B2 (ja) 2005-02-09 2011-03-30 富士電機ホールディングス株式会社 予測方法、予測装置および予測プログラム
US8725456B1 (en) * 2009-05-05 2014-05-13 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Decomposition technique for remaining useful life prediction
US10458863B2 (en) * 2012-04-17 2019-10-29 Sikorsky Aircraft Corporation Hybrid virtual load monitoring system and method
WO2013160060A1 (en) 2012-04-24 2013-10-31 Aktiebolaget Skf Bearing monitoring method and system
CN102789545B (zh) * 2012-07-12 2015-08-19 哈尔滨工业大学 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
US20150324686A1 (en) * 2014-05-12 2015-11-12 Qualcomm Incorporated Distributed model learning
JP6010204B1 (ja) * 2015-10-26 2016-10-19 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置
CN105675038B (zh) * 2016-01-05 2019-12-13 中国计量学院 一种仪表的故障预测装置
JP6360090B2 (ja) * 2016-03-10 2018-07-18 ファナック株式会社 機械学習装置、レーザ装置および機械学習方法
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
TWI603210B (zh) 2016-12-13 2017-10-21 財團法人工業技術研究院 機台零件之剩餘壽命的預測系統與預測方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6010204B2 (ja) * 1977-09-06 1985-03-15 香苗 小宮山 差圧発生装置
JP2008232758A (ja) * 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
US20120179326A1 (en) 2011-01-06 2012-07-12 Eurocopter Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft
US20170091358A1 (en) 2015-09-27 2017-03-30 Caterpillar Inc. Model-based prognosis of machine health
KR20180037760A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 상태 추정 장치 및 방법

Also Published As

Publication number Publication date
JP7187673B2 (ja) 2022-12-12
US11243526B2 (en) 2022-02-08
MX2021001741A (es) 2021-04-19
EP3611588A1 (de) 2020-02-19
US20210247757A1 (en) 2021-08-12
JP2022505008A (ja) 2022-01-14
WO2020035439A1 (de) 2020-02-20
EP3814862B1 (de) 2023-09-27
KR102480354B1 (ko) 2022-12-21
BR112021002542A2 (pt) 2021-05-04
EP3814862A1 (de) 2021-05-05
CN112513760A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
KR102480354B1 (ko) 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법
Matyas et al. A procedural approach for realizing prescriptive maintenance planning in manufacturing industries
JP6496274B2 (ja) 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
JP7320368B2 (ja) 故障予測装置、故障予測方法およびコンピュータプログラム
US11773859B2 (en) Method for optimizing the efficiency and/or the running performance of a fan or a fan arrangement
JP2019144174A (ja) 故障診断装置及び機械学習装置
US20210034021A1 (en) Method for optimized operation of a fan or a fan assembly
CN111386503A (zh) 用于一个或多个机电系统的诊断和寿命预测的系统、方法和控制单元
EP3969973B1 (en) Method, apparatus, system and computer program for determining health condition of a rotating system
CN107944563B (zh) 机械学习装置以及机械学习方法
US11795958B2 (en) Method for determining operating states of a fan
EP4033390A1 (en) System and method for fault prediction and management of an asset
Zhukovskiy et al. The probability estimate of the defects of the asynchronous motors based on the complex method of diagnostics
WO2021052777A1 (en) System, apparatus and method for predicting attributes of an asset
KR102531546B1 (ko) 구동계의 값
CN115335836A (zh) 训练针对工业应用的人工智能模块
EP4160233A1 (en) System, apparatus and method for monitoring faults in an electric machine
US20230185257A1 (en) Machine controller and methods for configuring and using the machine controller
CN112106053A (zh) 用于传动系的值
CN117836727A (zh) 用于在IoT环境中执行闭环模拟的系统和方法
Mishra et al. Synthetic data for hybrid prognosis
CN116490763A (zh) 学习装置、学习方法及故障预测系统
JP2019160176A (ja) 部品供給量推定装置及び機械学習装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
GRNT Written decision to grant