KR20210132486A - 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법 - Google Patents

다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법 Download PDF

Info

Publication number
KR20210132486A
KR20210132486A KR1020200050937A KR20200050937A KR20210132486A KR 20210132486 A KR20210132486 A KR 20210132486A KR 1020200050937 A KR1020200050937 A KR 1020200050937A KR 20200050937 A KR20200050937 A KR 20200050937A KR 20210132486 A KR20210132486 A KR 20210132486A
Authority
KR
South Korea
Prior art keywords
rotating body
body system
task
state
task learning
Prior art date
Application number
KR1020200050937A
Other languages
English (en)
Inventor
윤병동
고진욱
김명연
이진욱
신용진
공현배
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020200050937A priority Critical patent/KR20210132486A/ko
Publication of KR20210132486A publication Critical patent/KR20210132486A/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, 회전체 시스템의 상태 기반 데이터를 획득하는 획득 단계, 기생성된 다중 태스크 학습 알고리즘을 이용하여 상기 상태 기반 데이터를 학습하는 학습 단계, 및 상기 학습에 따른 학습 결과를 이용하여 상기 회전체 시스템의 고장 여부를 진단하는 진단 단계를 포함한다.

Description

다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법{FAULT DIAGNOSIS METHOD FOF ROTOR SYSTEM USING MULTI TASK LEARNING}
본 발명은 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법에 관한 것이다.
회전체 시스템의 일 예로 발전소의 터빈(Turbine)이 있을 수 있다. 터빈 발전은 유체 흐름으로부터 에너지를 추출하여 유용한 일로 변환하는 회전식 기계장치이다.
이러한 회전체 시스템(Rotor system)은 로터(Rotor), 샤프트(Shaft), 및 로터를 부드럽게 회전시키기 위한 저널 베어링(Journal Bearing)을 포함하여 구성되는 것이 일반적이다. 회전체 시스템은 초기 설계시 모든 안전 기준을 충족하도록 설계되는데, 열악한 환경 하에서 지속적인 동작으로 인해 상태가 악화될 수 있다. 터빈의 갑작스러운 고장은 인적 및 경제적 손실을 야기할 수 있다, 이러한 문제 해결을 위해 회전체 시스템의 고장 진단을 위한 많은 연구가 이루어지고 있다.
종래에는 사람이 직접 회전체 시스템의 특성인자를 추출하여 고장 진단을 수행하였는데, 최근에는 고장 진단을 위해 인공지능 딥 러닝(Deep Learning)을 활용하여 회전체 시스템의 각종 데이터로부터 자동으로 특성인자를 추출하는 연구가 많이 수행되고 있다.
딥 러닝은 회전체 시스템의 각종 데이터를 학습하여 사용자가 원하는 태스크를 수행한다. 태스크 종류로는 분류(Classification), 회귀(Regression), 디노이징(Denoising) 등이 있다. 딥 러닝은 대표적으로 이미지 데이터에 적합한 합성곱 신경망(CNN, Convolutional Neural Network)과, 시계열 데이터에 적합한 장단기 기억 신경망(LSTM, Long Short Term Memory)이 있다.
이러한 딥 러닝을 활용하여 회전체 시스템의 고장 진단을 수행할 때, 회전체 시스템으로부터 측정된 데이터(예, 진동 신호)에 임의의 오류 또는 노이즈가 포함될 수 있다. 노이즈는 장비의 장애, 환경 조건 또는 기타 요인에 의해 생성될 수 있다. 노이즈의 양이 증가함에 따라 데이터의 분포가 크게 왜곡될 수 있다. 이로 인해 딥 러닝을 활용한 회전체 시스템의 고장 진단이 실패할 수 있다. 따라서, 노이즈에 강건한 고장 진단 방법이 요구된다.
대한민국 공개특허 제2012-0027733호
이에 본 발명은 상기한 사정을 감안하여 안출된 것으로, 노이즈에 강건한 고장 진단이 가능하도록 적어도 두 개의 태스크를 동시에 학습하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, 회전체 시스템의 상태 기반 데이터를 획득하는 획득 단계; 기생성된 다중 태스크 학습 알고리즘을 이용하여 상기 상태 기반 데이터를 학습하는 학습 단계; 및 상기 학습에 따른 학습 결과를 이용하여 상기 회전체 시스템의 고장 여부를 진단하는 진단 단계;포함한다.
상기 다중 태스크 학습 알고리즘은 적어도 두 개의 태스크를 수행하는 알고리즘일 수 있다.
상기 적어도 두 개의 태스크는, 상기 상태 기반 데이터의 정상 상태와 고장 상태를 분류하는 분류 태스크와, 상기 상태 기반 데이터의 노이즈를 제거하는 디노이징 태스크를 포함할 수 있다.
상기 다중 태스크 학습 알고리즘은, 일차원 합성곱 신경망(1D CNN) 알고리즘을 포함할 수 있다.
상기 다중 태스크 학습 알고리즘은, 상기 상태 기반 데이터와 필터를 합성곱하여 특성 인자를 추출하는 적어도 네 개의 콘볼루션 레이어와, 추출된 상기 특성 인자에 대해 맥스풀링을 수행하는 적어도 두 개의 풀링 레이어와, 맥스풀링 결과값에 대해 분류와 디노이징 태스크를 수행하는 적어도 두 개의 풀리 커넥티드 레이어를 포함하여 구성될 수 있다.
상기 풀리 커넥티드 레이어에서, 상기 분류 태스크가 완료되면, 상기 디노이징 태스크 수행이 중지될 수 있다.
상기 학습 단계에서, 상기 분류 태스크 수행을 통해 상기 회전체 시스템의 정상 상태와 고장 상태를 분류할 수 있다.
상기 진단 단계에서, 상기 분류 태스크 수행 결과를 통해 상기 회전체 시스템의 고장 유형을 진단할 수 있다.
상기 고장 유형은, 상기 회전체 시스템의 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 휠 상태 중에서 적어도 하나를 포함할 수 있다.
상기 상태 기반 데이터는 진동 신호일 수 있다.
상기 진동 신호를 전처리하는 전처리 단계를 더 포함할 수 있다.
상기 전처리 단계는, 상기 진동 신호에 대해 앵귤러 리샘플링을 수행하는 단계, 리샘플링된 상기 진동 신호를 증량하는 단계, 증량된 상기 진동 신호에 노이즈를 추가하는 단계, 노이즈가 추가된 상기 진동 신호에 대해 스케일링을 수행하는 단계, 및 스케일링된 진동 신호에 대해 시퀀스화를 수행하는 단계를 포함할 수 있다.
본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법에 의하면, 노이즈에 강건하여 회전체 시스템의 고장을 신속하고 정확하게 진단하여 큰 사고를 예방할 수 있다.
또한, 정확한 고장 진단을 기반으로, 회전체 시스템의 상태기반 모니터링을 최적화하여 유지보수 비용을 절감할 수 있다.
또한, 두 개 이상의 태스크를 동시에 학습할 수 있어 하나의 태스크를 학습할 때 보다 고장 진단 성능이 향상되는 효과가 있다.
또한, 규모가 크고 노이즈가 많이 발생하는 발전소의 회전체 시스템에 적용 및 활용될 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 장치의 블록도이다.
도 2는 회전체 시스템으로부터 획득한 데이터를 증량하는 방법을 설명하기 위한 도면이다.
도 3은 증량된 데이터를 시퀀스화하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 다중 태스크 학습 알고리즘의 구성도이다.
도 5는 본 발명에 따른 다중 태스크 학습 알고리즘의 고장 진단 성능을 테스트베드 데이터로 검증한 결과를 보여주는 도면이다.
도 6은 본 발명에 따른 다중 태스크 학습 알고리즘에 의해 추출된 특성인자를 고장 유형별로 가시화한 도면이다.
도 7은 본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법의 순서도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, 다중 태스크 학습(multi-task Learning)이라는 개념을 활용하여 회전체 시스템의 노이즈에 강건한 고장 진단 프레임워크인 MLCD(Multi-task Learning of Classification and Denoising)를 제안하는 것을 특징으로 한다. 디노이징(denoising)이란 입력 데이터에 존재하는 노이즈를 제거하는 태스크이다. 본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, 딥 러닝 알고리즘이 회전체 시스템으로부터 획득한 데이터에 섞인 노이즈를 적절히 제거함과 동시에 분류를 수행함으로써 노이즈에 강건한 고장 진단을 수행하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, LSTM(Long Short Term Memory)이나 1D CNN(One Dimensional Convolutional Neural Network) 중에서 선택된 알고리즘에 적용될 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 장치의 블록도이다.
도 1을 참고하면, 본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 장치(100)는 데이터 획득부(110), 데이터 전처리부(120), 다중 태스크 학습부(130), 및 고장 진단부(140)를 포함한다.
데이터 획득부(110)는 회전체 시스템(10)의 상태 기반 데이터를 획득할 수 있다. 여기서, 회전체 시스템(10)은 터빈 발전에 이용되는 시스템일 수 있으나, 이에 한정되는 것은 아니다. 상태 기반 데이터는 진동 신호(Raw vibration signals)를 포함할 수 있다. 진동 신호는 별도의 진동 센서에 의해 측정될 수 있다. 일 실시예에 있어서, 두 개의 진동 센서가 회전체 시스템(10)의 로터(Rotor)에 90도 간격으로 배치되어 진동 신호를 측정할 수 있다.
한편, 상태 기반 데이터는 가속도 신호와 변위 신호를 더 포함할 수 있다. 이때 가속도 신호와 변위 신호는 각각에 대응하는 센서에 의해 측정될 수 있다. 이하에서는 상태 기반 데이터가 진동 신호인 것으로 설명한다.
데이터 전처리부(120)는 획득된 진동 신호에 대해 앵귤러 리샘플링(Angular Resampling)을 수행할 수 있다. 데이터 전처리부(120)는 앵귤러 리샘플링을 통해 측정 사이클 당 진동 신호의 샘플 개수를 일치시킬 수 있다. 이는 로터의 회전 속도의 영향을 최소화하기 위함이다.
데이터 전처리부(120)는 리샘플링된 진동 신호를 증량할 수 있다. 데이터 전처리부(120)는 가상의 센서를 이용하여 진동 신호를 증량할 수 있다. 진동 신호의 증량 방법은 도 2를 참고하여 설명한다.
도 2를 참고하면, 데이터 전처리부(120)는 로터(Rotor)의 외주를 따라 소정 간격으로 복수의 가상 센서(x1, x2, … , y1, y2, … )를 구현할 수 있다. 여기서, 두 개의 실제 센서(x0, y0)는 로터(Rotor)의 중심축을 기준으로 외주를 따라 90도 간격으로 배치될 수 있다. 데이터 전처리부(120)는 두 개의 실제 센서(x0, y0) 각각을 로터(Rotor)의 외주를 따라 회전시킴으로써 복수의 가상 센서(x1, x2, … , y1, y2, … )를 구현할 수 있다. 데이터 전처리부(120)는 복수의 가상 센서(x1, x2, … , y1, y2, … )로부터 진동 신호를 획득할 수 있다. 이를 통해 데이터 전처리부(120)는 로터(Rotor)의 전체 반경 방향에 대한 진동 신호를 획득할 수 있다.
데이터 전처리부(120)는 증량된 진동 신호에 백색 가우시안 노이즈(WGN, White-Gaussian Noise)를 추가한다. 백색 가우시안 노이즈란 모든 주파수에 걸쳐 존재하는 일반적인 형태의 노이즈를 말한다.
데이터 전처리부(120)는 백색 가우시안 노이즈가 추가된 진동 신호에 대해 최소-최대 스케일링(MinMaxScaling)을 수행한다. 백색 가우시안 노이즈가 포함된 정상 상태의 진동 신호의 평균과 분산에 대해서 각 상태의 신호를 스케일링(Scaling)한다. 즉 데이터 전처리부(120)는 고장 상태의 로터(Rotor)로부터 획득되는 진동 신호의 상태 별 상대적 스케일 차이를 보존하기 위해 정상 데이터를 기준으로 스케일링을 수행한다.
데이터 전처리부(120)는 스케일링된 진동 신호에 대해 시퀀스화를 수행한다. 데이터 전처리부(120)는 시퀀스 렝스(l, Sequence Length)와 시퀀스 폭(n), 스트라이드(s, Stride)를 임의 설정한다. 데이터 전처리부(120)는 임의 설정된 시퀀스 렝스와 스트라이드를 기준으로 스케일링된 진동 신호를 시퀀스화 한다. 이러한 시퀀스 과정은 도 3을 참고하여 설명한다.
도 3을 참고하면, 스케일링된 진동 신호는 시퀀스 렝스와 스트라이드를 기준으로 잘라지고 쌓아지며 이를 통해 이미지 데이터로 변환된다. 즉, 스케일링된 진동 신호는 시퀀스화 된다. 시퀀스화된 진동 신호의 샘플 개수는 백색 가우시안 노이즈가 포함된 진동 신호 m에서 시퀀스 렝스 l을 차감하고, 이후 스트라이드 s로 나눔으로써 산출될 수 있다.
이상의 전처리 과정을 통해 전처리된 진동 신호는 다중 태스크 학습이 가능한 다중 태스크 학습 알고리즘의 입력값 및 목표 출력값이 된다.
다시 도 1을 참고하면, 다중 태스크 학습부(130)는 다중 태스크 학습 알고리즘을 이용하여 전처리된 진동 신호를 기반으로 학습한다. 여기서, 다중 태스크 학습 알고리즘은 일반적으로 고장 진단에 이용되는 LSTM 또는 1D-CNN 알고리즘을 포함할 수 있다. 여기서, LSTM은 여러 게이트와 셀 상태에 의해 순차적으로 콘텍스트(Context)를 학습하는 알고리즘이다. 1D-CNN은 입력 데이터에 대해 합성곱(Convolution) 연산, 활성화 함수 계산의 과정을 수행하여 출력 특징 맵을 만드는 알고리즘이다. 이하, 본 발명에 따른 다중 태스크 학습 알고리즘은 1D-CNN 알고리즘이 적용된 MLCD-1D CNN로 정의한다.
다중 태스크 학습부(130)는 다중 태스크 학습 알고리즘을 이용하여 전처리된 진동 신호로부터 특성 인자를 추출할 수 있다.
다중 태스크 학습부(130)는 추출된 특성 인자를 풀리-커넥티드 레이어(Fully-Connected Layer)에 입력할 수 있다.
다중 태스크 학습부(130)는 풀리-커넥티드 레이어에 입력된 특성 인자에 대해 분류(Classification)와 디노이징(Denoising) 태스크를 동시에 수행할 수 있다.
다중 태스크 학습부(130)는 분류를 통해 회전체 시스템(10)의 정상 상태와 고장 상태를 분류할 수 있다. 또한, 다중 태스크 학습부(130)는 디노이징을 통해 백색 가우시안 노이즈가 추가되기 전 진동 신호를 예측할 수 있다. 다중 태스크 학습부(130)는 학습가 완료되면 디노이징 수행을 중지할 수 있다.
고장 진단부(140)는 다중 태스크 학습부(130)의 분류 결과를 이용하여 회전체 시스템(10)의 고장 여부를 진단할 수 있다. 또한 고장 진단부(140)는 다중 태스크 학습부(130)의 분류 결과를 이용하여 회전체 시스템(10)의 고장 유형을 진단할 수 있다. 여기서, 고장 유형은 회전체 시스템의 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 휠 상태 등을 포함할 수 있다.
도 4는 본 발명에 따른 다중 태스크 학습 알고리즘의 구성도이다. 도 4를 참고하면, 본 발명에 따른 다중 태스크 학습 알고리즘(MLCD-1D CNN)은 네 개의 일차원 컨볼루션 레이어(Conv 1D), 두 개의 일차원 풀링 레이어(Maxpooling)와, 최종단에 두 개의 풀리 커넥티드 레이어(FC1, FC2)를 포함하여 구성될 수 있다.
입력 데이터(Input)는 전처리된 진동 신호를 나타낸다. 일 실시예에 있어서, 입력 데이터(Input)는 12x64 이미지 데이터일 수 있다.
다중 태스크 학습 알고리즘(MLCD-1D CNN)은 네 개의 일차원 컨볼루션 레이어(Conv 1D)에 입력된 입력 데이터(Input)로부터 특성인자를 추출할 수 있다. 일 실시예에 있어서, 네 개의 일차원 컨볼루션 레이어(Conv 1D) 각각에서 서로 다른 크기를 가지는 필터가 구비될 수 있다. 일차원 컨볼루션 레이어(Conv 1D) 각각의 필터수는 8, 16, 32, 32의 숫자가 설정될 수 있다. 숫자 8의 필터는 12x5의 크기를 가지고, 숫자 16의 필터는 8x3의 크기를 가지고, 숫자 32의 필터는 16x3의 크기를 가지고, 숫자 32의 필터는 32x3의 크기를 가질 수 있다.
다중 태스크 학습 알고리즘(MLCD-1D CNN)은 입력 데이터와 필터의 합성곱(Convolution)을 수행하여 특성인자를 추출할 수 있다.
다중 태스크 학습 알고리즘(MLCD-1D CNN)은 추출된 특성 인자에 대해 맥스풀링(Maxpooling)을 수행할 수 있다. 맥스풀링이란 입력 데이터에 소정 사이즈의 필터를 적용하고 가장 큰 수를 도출하여 새로운 출력 데이터를 산출하는 과정을 말한다. 일 실시예에 있어서, 맥스풀링 사이즈는 2일 수 있다.
두 개의 일차원 풀링 레이어(Maxpooling) 중에서 우측단(도 4 기준)의 일차원 풀링 레이어(Maxpooling)는 제1 풀리 커넥티드 레이어(FC1)에 연결되어 맥스풀링 결과값을 입력할 수 있다.
다중 태스크 학습 알고리즘(MLCD-1D CNN)은 두 개의 풀리 커넥티드 레이어(FC1, FC2)에 입력된 맥스풀링 결과값에 대해 최종적으로 분류(Classification)와 디노이징(Denoising)을 수행할 수 있다.
두 개의 풀리 커넥티드 레이어(FC1, FC2)는 제1 풀리 커넥티드 레이어(FC1)와 제2 풀리 커넥티드 레이어(FC2)를 포함할 수 있다. 제1 풀리 커넥티드 레이어(FC1)에서 두 개의 중간 레이어(FC1c, FC1D)로 구분될 수 있고, 두 개의 중간 레이어(FC1c, FC1D)는 각각 128의 노드(node)를 가질 수 있다. 두 개의 중간 레이어(FC1c, FC1D) 각각은 제2 풀리 커넥티드 레이어(FC2)에 연결될 수 있다. 제2 풀리 커넥티드 레이어(FC2)에서 두 개의 최종 레이어(FC2c, FC2D)로 구분될 수 있다. 제2 풀리 커넥티드 레이어(FC2)의 두 개의 최종 레이어(FC2c, FC2D) 각각에서 분류(Classification) 및 디노이징(Denoising)이 수행될 수 있다. 분류 결과는 5x1 사이즈로 나타날 수 있다. 디노이징은 입력 데이터의 12x64 사이즈에 대해 수행될 수 있다.
도 5는 본 발명에 따른 다중 태스크 학습 알고리즘의 고장 진단 성능을 테스트베드 데이터로 검증한 결과를 보여주는 도면이다.
도 5를 참고하면, 종래의 딥 러닝 알고리즘(1D CNN)과 본 발명에 따른 다중 태스크 학습 알고리즘(MLCD-1D CNN)에 따른 고장 진단의 정확도를 확인할 수 있다.
고장 진단의 검증에는 세 개의 데이터 세트(Set 1, Set 2, Set 3) 및 네 개의 신호대잡음비(SNR, Signal-to-Noise Ratio)가 활용된다. 여기서, 네 개의 신호대잡음비(SNR, Signal-to-Noise Ratio)는 10, 1, 0, -1 [dB]일 수 있다.
종래의 딥 러닝 알고리즘(1D CNN)과 본 발명에 따른 다중 태스크 학습 알고리즘(MLCD-1D CNN) 각각은 SNR=x(10, 1, 0, -1)로 학습된 상태이고, SNR=y(10, 1, 0, -1)에 대해 고장 진단 테스트가 수행된다. 결과를 보면, 모든 경우에 대해 본 발명에 따른 다중 태스크 학습 알고리즘(MLCD-1D CNN)이 종래 딥 러닝 알고리즘(1D CNN)보다 테스트 정확도가 높다는 것을 확인할 수 있다.
도 6은 본 발명에 따른 다중 태스크 학습 알고리즘에 의해 추출된 특성인자를 고장 유형별로 가시화한 도면이다.
도 6을 참고하면, 본 발명에 따른 다중 태스크 학습 알고리즘의 고장 진단 결과에 따라 회전체 시스템(10)의 정상 상태(Normal), 질량불평형 상태(Unbalance), 러빙 상태(Rubbing), 오정렬 상태(Misalignment) 및 오일 휠 상태(Oil whirl)가 분류되는 것은 확인할 수 있다.
도 6의 (a)는 도 5의 제1 세트(Set 1)에서 신호대잡음비(SNR)가 0 에서 -1[db]로 변할 때, 종래 딥 러닝 알고리즘(1D CNN)에 따른 고장 유형 분류를 이미지 형태로 보여준다.
도 6의 (b)는 도 5의 제1 세트(Set 1)에서 신호대잡음비(SNR)가 0 에서 -1[db]로 변할 때, 본 발명의 다중 태스크 학습 알고리즘(MLCD-1D CNN)에 따른 고장 유형 분류를 이미지 형태로 보여준다.
도 6의 (c)는 도 5의 제1 세트(Set 1)에서 신호대잡음비(SNR)가 1 에서 -1[db]로 변할 때, 종래 딥 러닝 알고리즘(1D CNN)에 따른 고장 유형 분류를 이미지 형태로 보여준다.
도 6의 (d)는 도 5의 제1 세트(Set 1)에서 신호대잡음비(SNR)가 1 에서 -1[db]로 변할 때, 본 발명의 다중 태스크 학습 알고리즘(MLCD-1D CNN)에 따른 고장 유형 분류를 이미지 형태로 보여준다.
도 6의 (e)는 도 5의 제1 세트(Set 1)에서 신호대잡음비(SNR)가 10 에서 -1[db]로 변할 때, 종래 딥 러닝 알고리즘(1D CNN)에 따른 고장 유형 분류를 이미지 형태로 보여준다.
도 6의 (f)는 도 5의 제1 세트(Set 1)에서 신호대잡음비(SNR)가 10 에서 -1[db]로 변할 때, 본 발명의 다중 태스크 학습 알고리즘(MLCD-1D CNN)에 따른 고장 유형 분류를 이미지 형태로 보여준다.
도 6에서 살펴본 바와 같이 본 발명의 다중 태스크 학습 알고리즘(MLCD-1D CNN)에 따라 분류된 고장 유형은 서로 겹치지 않아 종래 대비 고장 진단 성능이 뛰어난 효과가 있다.
도 7은 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법의 순서도이다.
도 7을 참고하면, 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, 획득 단계(S710), 전처리 단계(S720), 학습 단계(S730), 및 진단 단계(S740)을 포함할 수 있다.
획득 단계(S710)에서, 고장 진단 장치(100)는 회전체 시스템(10)의 상태 기반 데이터를 획득한다. 상태 기반 데이터는 진동 센서에 의해 측정되는 진동 신호일 수 있으나, 이에 한정되는 것은 아니다.
전처리 단계(S720)에서, 고장 진단 장치(100)는 획득된 진동 신호에 대해 신호 전처리를 수행한다. 이하 신호 전처리 과정을 설명하면, 고장 진단 장치(100)는 획득된 진동 신호에 대해 앵귤러 리샘플링을 수행한다. 또한, 고장 진단 장치(100)는 리샘플링된 진동 신호를 증량한다. 또한, 고장 진단 장치(100)는 증량된 진동 신호에 백색 가우시안 노이즈를 추가한다. 또한, 고장 진단 장치(100)는 백색 가우시안 노이즈가 추가된 진동 신호에 대해 스케일링을 수행한다. 또한, 고장 진단 장치(100)는 스케일링된 진동 신호에 대해 시퀀스화를 수행한다.
학습 단계(S730)에서, 고장 진단 장치(100)는 다중 태스크 학습 알고리즘을 이용하여 전처리된 진동 신호를 기반으로 학습한다. 다중 태스크 학습 알고리즘은 전처리된 진동 신호로부터 특성 인자를 추출할 수 있다. 다중 태스크 학습 알고리즘은 추출된 특정 인자에 대해 분류와 디노이징을 동시에 수행할 수 있다. 다중 태스크 학습 알고리즘은 분류를 통해 회전체 시스템(10)의 정상 상태와 고장 상태를 분류할 수 있다. 다중 태스크 학습 알고리즘은 디노이징을 통해 백색 가우시안 노이즈가 추가되기 전 진동 신호를 예측할 수 있다.
진단 단계(S740)에서, 고장 진단 장치(100)는 학습 결과를 이용하여 회전체 시스템(10)의 고장 여부를 진단할 수 있다. 고장 진단 장치(100)는 학습에 따른 분류 결과를 이용하여 회전체 시스템(10)의 고장 유형을 진단할 수도 있다.
본 발명의 바람직한 실시예에 따른 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법은, 분류와 디노이징을 동시에 수행하는 다중 태스크 학습 알고리즘을 활용함으로써 종래 대비 고장 진단 성능이 향상되는 효과가 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명에 따른 단계들 및/또는 동작들은 기술분야의 통상의 기술자에 의해 이해될 수 있는 것과 같이, 다른 순서로, 또는 병렬적으로, 또는 다른 에포크(epoch) 등을 위해 다른 실시 예들에서 동시에 일어날 수 있다.
실시 예에 따라서는, 단계들 및/또는 동작들의 일부 또는 전부는 하나 이상의 비-일시적 컴퓨터-판독가능 매체에 저장된 명령, 프로그램, 상호작용 데이터 구조(interactive data structure), 클라이언트 및/또는 서버를 구동하는 하나 이상의 프로세서들을 사용하여 적어도 일부가 구현되거나 또는 수행될 수 있다. 하나 이상의 비-일시적 컴퓨터-판독가능 매체는 예시적으로 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합일 수 있다. 또한, 본 명세서에서 논의된 "모듈"의 기능은 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합으로 구현될 수 있다.
100: 고장 진단 장치
110: 데이터 획득부
120: 데이터 전처리부
130: 다중 태스크 학습부
140: 고장 진단부

Claims (12)

  1. 회전체 시스템의 상태 기반 데이터를 획득하는 획득 단계;
    기생성된 다중 태스크 학습 알고리즘을 이용하여 상기 상태 기반 데이터를 학습하는 학습 단계; 및
    상기 학습에 따른 학습 결과를 이용하여 상기 회전체 시스템의 고장 여부를 진단하는 진단 단계;
    를 포함하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  2. 제 1 항에 있어서,
    상기 다중 태스크 학습 알고리즘은 적어도 두 개의 태스크를 수행하는 알고리즘인 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  3. 제 2 항에 있어서,
    상기 적어도 두 개의 태스크는,
    상기 상태 기반 데이터의 정상 상태와 고장 상태를 분류하는 분류 태스크와,상기 상태 기반 데이터의 노이즈를 제거하는 디노이징 태스크를 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  4. 제 2 항에 있어서,
    상기 다중 태스크 학습 알고리즘은,
    일차원 합성곱 신경망(1D CNN) 알고리즘을 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  5. 제 4 항에 있어서,
    상기 다중 태스크 학습 알고리즘은,
    상기 상태 기반 데이터와 필터를 합성곱하여 특성 인자를 추출하는 적어도 네 개의 콘볼루션 레이어와,
    추출된 상기 특성 인자에 대해 맥스풀링을 수행하는 적어도 두 개의 풀링 레이어와,맥스풀링 결과값에 대해 분류와 디노이징 태스크를 수행하는 적어도 두 개의 풀리 커넥티드 레이어
    를 포함하여 구성되는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  6. 제 5 항에 있어서,
    상기 풀리 커넥티드 레이어에서,
    상기 분류 태스크가 완료되면, 상기 디노이징 태스크 수행이 중지되는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  7. 제 3 항에 있어서,
    상기 학습 단계에서,
    상기 분류 태스크 수행을 통해 상기 회전체 시스템의 정상 상태와 고장 상태를 분류하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  8. 제 7 항에 있어서,
    상기 진단 단계에서,
    상기 분류 태스크 수행 결과를 통해 상기 회전체 시스템의 고장 유형을 진단하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  9. 제 8 항에 있어서,
    상기 고장 유형은,
    상기 회전체 시스템의 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 휠 상태 중에서 적어도 하나를 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  10. 제 1 항에 있어서,
    상기 상태 기반 데이터는 진동 신호인 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  11. 제 10 항에 있어서,
    상기 진동 신호를 전처리하는 전처리 단계를 더 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
  12. 제 11 항에 있어서,
    상기 전처리 단계는,
    상기 진동 신호에 대해 앵귤러 리샘플링을 수행하는 단계,리샘플링된 상기 진동 신호를 증량하는 단계,
    증량된 상기 진동 신호에 노이즈를 추가하는 단계,
    노이즈가 추가된 상기 진동 신호에 대해 스케일링을 수행하는 단계, 및
    스케일링된 진동 신호에 대해 시퀀스화를 수행하는 단계를 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법.
KR1020200050937A 2020-04-27 2020-04-27 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법 KR20210132486A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200050937A KR20210132486A (ko) 2020-04-27 2020-04-27 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200050937A KR20210132486A (ko) 2020-04-27 2020-04-27 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법

Publications (1)

Publication Number Publication Date
KR20210132486A true KR20210132486A (ko) 2021-11-04

Family

ID=78521766

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200050937A KR20210132486A (ko) 2020-04-27 2020-04-27 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법

Country Status (1)

Country Link
KR (1) KR20210132486A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102638802B1 (ko) * 2022-12-06 2024-02-21 한국자동차연구원 회전체의 고장 진단장치 및 그 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120027733A (ko) 2010-09-13 2012-03-22 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120027733A (ko) 2010-09-13 2012-03-22 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102638802B1 (ko) * 2022-12-06 2024-02-21 한국자동차연구원 회전체의 고장 진단장치 및 그 방법

Similar Documents

Publication Publication Date Title
WO2023035869A1 (zh) 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
KR102097595B1 (ko) 풍력발전기 진단방법
Yang et al. Intelligent diagnosis of rotating machinery faults-a review
Sun et al. A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN111506049A (zh) 基于aann网络系统的航空发动机控制系统多重故障诊断方法
KR20210061517A (ko) 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN114755017A (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
Cocconcelli et al. Diagnostics of ball bearings in varying-speed motors by means of Artificial Neural Networks
Liang et al. Multibranch and multiscale dynamic convolutional network for small sample fault diagnosis of rotating machinery
KR20210132486A (ko) 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
CN115409052A (zh) 一种数据失衡下风力发电机组轴承的故障诊断方法及系统
CN113468728B (zh) 一种基于神经网络的变桨系统故障预测方法
Amin et al. Vibration-based condition monitoring in wind turbine gearbox using convolutional neural network
Khamidov et al. Locomotive asynchronous traction motor rolling bearing fault detection based on current intelligent methods
KR102306244B1 (ko) 디바이스의 결함 검출 모델 생성 방법 및 장치
Souad et al. Fault diagnosis of rolling element bearings using artificial neural network
CN112395968A (zh) 基于神经网络的机械旋转部件故障诊断方法及装置
Amin et al. Condition Monitoring in a Wind Turbine Planetary Gearbox Using Sensor Fusion and Convolutional Neural Network
Li et al. Fault diagnosis for machinery based on feature extraction and general regression neural network
CN116611184A (zh) 一种齿轮箱的故障检测方法、装置及介质
CN112706901B (zh) 一种半潜船主推进系统半监督故障诊断方法
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
X601 Decision of rejection after re-examination