KR20220096794A - 회전기계의 결함을 진단하는 방법 및 시스템 - Google Patents
회전기계의 결함을 진단하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20220096794A KR20220096794A KR1020200189559A KR20200189559A KR20220096794A KR 20220096794 A KR20220096794 A KR 20220096794A KR 1020200189559 A KR1020200189559 A KR 1020200189559A KR 20200189559 A KR20200189559 A KR 20200189559A KR 20220096794 A KR20220096794 A KR 20220096794A
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- value
- rotating machine
- fault
- diagnosis system
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 129
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 230000002950 deficient Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 description 6
- 238000012631 diagnostic technique Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/14—Determining imbalance
- G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
- G01H1/14—Frequency
-
- 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
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 개시에 따른 회전기계의 결함 진단 방법은 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하는 단계 및 상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하는 단계 및 상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하는 단계 및 상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정하는 단계를 포함할 수 있다.
Description
본 개시는 회전기계의 결함 진단 방법 및 시스템에 관한 것으로, 보다 상세하게는 다양한 진단기법들을 동시에 연계하는 회전기계의 결함 진단 방법 및 시스템에 관한 것이다.
일반적으로 회전기계의 상태를 진단하기 위한 진단 시스템은 설비진동 및 운전변수의 경향을 감시할 수 있다. 또한, 진단 시스템은 회전기계의 이상유무에 따라 감시 주기를 변경할 수 있고, 이러한 변동추이를 분석함으로써 설비상태를 예측할 수 있다.
회전기계의 상태를 진단하기 위해 다양한 진단기법들이 이용될 수 있다. 예를 들어, 진단 시스템은 결함 주파수 대역을 세부적으로 구분하여 설비를 감시할 수 있다. 또는, 예를 들어, 진단 시스템은 검증된 진단규칙을 통해 결함특성 및/또는 설비정보에 기반하여 설비를 자동으로 진단할 수 있다. 또는, 예를 들어, 진단 시스템은 복수의 데이터를 기반으로 특징을 추출하고, 학습을 통해 분류 모델을 구현하는 머신러닝을 활용함으로써, 설비를 진단할 수 있다. 또는, 예를 들어, 진단 시스템은 동종설비들을 그룹화함으로써 상호 설비를 비교하여 진단할 수 있다.
이때, 각각의 진단기법들은 회전기계의 상태에 대한 결과를 독립적으로 출력하며, 그 결과 또한 정성적인 평가일 수 있다.
본 개시의 목적은 회전기계로부터 취득된 정보를 기반으로 다양한 진단기법들을 동시에 연계하여 수행함으로써, 설비상태를 자동으로 정량화하는 회전기계 결함 진단 방법 및 시스템을 제공하기 위한 것이다.
본 개시에 따른 회전기계의 결함 진단 방법은 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하는 단계 및 상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하는 단계 및 상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하는 단계 및 상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정하는 단계를 포함할 수 있다.
예를 들어, 상기 제 1 결함 값을 진단하는 단계는 상기 머신러닝을 통해 상기 회전기계의 결함 여부를 결정하는 단계를 포함할 수 있다.
예를 들어, 상기 머신러닝은, 상기 회전기계의 진동신호와 관련된 특징벡터들에 기반하여 수행될 수 있다.
예를 들어, 상기 회전기계의 결함이 존재하지 않는 것에 기반하여, 상기 제 1 결함 값이 0으로 결정되고, 상기 결함 심각도는 0으로 결정될 수 있다.
예를 들어, 상기 회전기계의 결함이 존재하는 것에 기반하여, 상기 제 1 결함 값이 상기 회전기계와 관련된 전체 샘플 및 상기 회전기계와 관련된 결함 샘플에 기반하여 결정될 수 있다.
예를 들어, 상기 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 이내인 것에 기반하여, 상기 제 2 결함 값이 사전 설정된 제 1 값으로 결정될 수 있다.
예를 들어, 상기 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 밖인 것에 기반하여, 상기 제 2 결함 값이 상기 제 1 결함 값으로 결정되고, 상기 결함 심각도는 상기 제 1 결함 값으로 결정될 수 있다.
예를 들어, 상기 회전기계의 전체 진동 값이 제 1 임계 값보다 작은 것에 기반하여, 상기 제 3 결함 값이 상기 제 2 결함 값으로 결정되고, 상기 결함 심각도는 상기 제 2 결함 값으로 결정될 수 있다.
예를 들어, 상기 회전기계의 전체 진동 값이 제 1 임계 값보다 큰 것에 기반하여, 상기 제 3 결함 값이 사전 설정된 제 2 값으로 결정되고, 상기 결함 심각도는 상기 사전 설정된 제 2 값으로 결정될 수 있다.
예를 들어, 상기 회전기계의 전체 진동 값이 제 2 임계 값보다 큰 것에 기반하여, 상기 제 3 결함 값이 사전 설정된 제 3 값으로 결정되고, 상기 결함 심각도는 상기 사전 설정된 제 3 값으로 결정될 수 있다.
한편, 본 개시에 따른 회전기계의 결함 진단 시스템은 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하고, 상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하고, 상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하고, 및 상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정할 수 있다.
한편, 본 개시에 따른 회전기계의 결함 진단 시스템의 연산프로세서는 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하고, 상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하고, 상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하고, 및 상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정할 수 있다.
본 개시에 따른 회전기계의 결함 진단 방법 및 시스템은 설비의 미소한 상태변화를 정량적으로 평가할 수 있고, 평가결과 값(예를 들어, 결함 심각도)을 활용함으로써, 설비의 결함진행 정도를 정확하게 확인하고, 설비상태의 정비시기, 수명 등을 보다 정확하게 판단할 수 있는 효과가 있다.
이상과 같은 본 개시의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 회전기계의 결함 진단 시스템을 나타낸 구성도이다.
도 2는 본 개시의 일 실시 예에 따른 결함 진단 시스템의 연산프로세서를 나타낸 구성도이다.
도 3은 본 개시의 일 실시 예에 따른 회전기계에 대한 결함 진단 방법을 나타낸 흐름도이다.
도 4는 본 개시의 일 실시 예에 따른 회전기계에 대한 결함 심각도를 계산하기 위한 단계를 나타낸 흐름도이다.
도 5는 본 개시의 일 실시 예에 따른 회전기계에 대한 진단결과를 기반으로결함 심각도를 도출하는 방법을 나타낸 흐름도이다.
도 2는 본 개시의 일 실시 예에 따른 결함 진단 시스템의 연산프로세서를 나타낸 구성도이다.
도 3은 본 개시의 일 실시 예에 따른 회전기계에 대한 결함 진단 방법을 나타낸 흐름도이다.
도 4는 본 개시의 일 실시 예에 따른 회전기계에 대한 결함 심각도를 계산하기 위한 단계를 나타낸 흐름도이다.
도 5는 본 개시의 일 실시 예에 따른 회전기계에 대한 진단결과를 기반으로결함 심각도를 도출하는 방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.
도 1은 본 개시의 일 실시 예에 따른 회전기계의 결함 진단 시스템을 나타낸 구성도이다. 도 2는 본 개시의 일 실시 예에 따른 결함 진단 시스템의 연산프로세서를 나타낸 구성도이다.
여기서, 회전기계(10)는 펌프, 압축기 및 팬 등과 같이 다양한 회전기기일 수 있다. 다만, 이는 본 개시를 설명하기 위한 것으로, 회전기계(10)의 종류는 한정하지 않는다.
한편, 결함 진단 시스템(100)은 회전기계(10)로부터 데이터를 취득하여 데이터를 구축하고, 다시 회전기계(10)의 결함 진단이 필요할 때에 구축된 데이터를 활용하여 자동 예측진단을 수행할 수 있다. 또한, 결함 진단 시스템(100)은 진단된 결함 값을 출력하여 검사자가 회전기계(10)의 이상 유무를 직관적으로 파악하며 교체 및 유지보수 시기를 결정할 수 있도록 한다.
먼저, 회전기계(10)에는 회전기계(10)의 운전정보를 포함한 다양한 정보를 취득하기 위한 센서가 장착될 수 있다. 그리고, 센서는 결함 진단 시스템(100)에 연동되어, 취득된 데이터가 결함 진단 시스템(100)으로 제공되도록 할 수 있다. 다만, 이는 본 개시를 설명하기 위한 것으로 회전기계(10)에 대한 데이터는 센서에 의해 취득되지 않고 작업자에 의해 직접 취득되어 예측 진단 시스템에 입력될 수 있음을 밝혀둔다.
그리고, 결함 진단 시스템(100)은 회전기계(10)로부터 제공되는 데이터가 저장되는 저장부(110), 회전기계(10)로부터 취득된 데이터를 기반으로 예측진단을 수행하는 연산 프로세서(120), 및 결함정보를 디스플레이하는 출력부(130)를 포함할 수 있다. 여기서, 연산 프로세서(120)는 컴퓨터에 마련되는 연산 장치, 연산을 위한 소프트웨어 및 연산을 위한 컴퓨터 언어(computer language) 등을 포함할 수 있고, 연산 프로세서(120)는 이하에서 진행할 프로세스를 수행할 수 있다.
한편, 이하에서는 본 개시의 다양한 실시 예들에 따른 회전기계의 결함 진단 방법에 대하여 상세히 설명하도록 한다. 다만, 상술된 구성요소에 대해서는 상세한 설명을 생략하고 동일한 참조부호를 부여하여 설명하도록 한다.
예를 들어, 결함 진단 시스템(100)은 설비진동 및 설비와 관련된 운전변수에 대한 경향을 감시할 수 있다. 결함 진단 시스템(100)은 설비에 대한 이상유무에 EK라 감시 주기를 변경할 수 있다. 결함 진단 시스템(100)은 변동추이를 분석할 수 있고, 결함 진단 시스템(100)은 분석된 변동추이를 통해 설비의 상태를 예측할 수 있다. 결함 진단 시스템(100)은 감시대상 및 감시주기를 설정할 수 있다. 결함 진단 시스템(100)은 설비 포인트별 진동 경항을 감시할 수 있다. 결함 진단 시스템(100)은 동시간대의 운전변수를 감시할 수 있다.
예를 들어, 결함 진단 시스템(100)은 협대역 진단에 기반하여 결함을 진단할 수 있다. 즉, 결함 진단 시스템(100)은 설비별 결함주파수 대역을 세부적으로 구분함으로써, 설비를 감시할 수 있다. 결함 진단 시스템(100)은 결함의 유무 뿐만 아니라, 결함의 종류를 예측할 수 있다. 결함 진단 시스템(100)은 각 설비들이 가진 결함 주파수의 대역을 도출할 수 있다. 결함 진단 시스템(100)은 결함 주파수의 대역별 허용범위를 설정할 수 있다. 예를 들어, 결함 진단 시스템(100)은 기준 값으로부터 2σ 이내이면 경고(alert)로 설정할 수 있고, 기준 값으로부터 3σ 이내이면 오류(fault)로 설정할 수 있다. 결함 진단 시스템(100)은 주기별로 결함 주파수를 진단할 수 있다. 이러한 협대역 진단 기법은 초기결함의 검출에 효과적일 수 있다.
예를 들어, 결함 진단 시스템(100)은 규칙기반의 진단에 기반하여 결함을 진단할 수 있다. 즉, 결함 진단 시스템(100)은 결함특성 및/또는 설비정보에 기반하여 자동으로 설비를 진단할 수 있다. 결함 진단 시스템(100)은 검증된 진단규칙을 의사결정 나무(decision tree) 형태의 로직으로 구현할 수 있다. 결함 진단 시스템(100)은 데이터가 입력되면, 전문가 수준의 진단결과를 자동으로 도출할 수 있다. 이러한 규칙기반의 진단은 검증된 진단규칙을 사용함으로써, 진단결과의 신뢰도가 높일 수 있고, 진단결과에 대한 과정과 내용을 추적할 수 있다.
예를 들어, 결함 진단 시스템(100)은 동종설비 사이의 비교를 통해 결함을 진단할 수 있다. 즉, 결함 진단 시스템(100)은 동종설비들을 그룹화할 수 있고, 결함 진단 시스템(100)은 동종설비들을 상호 비교함으로써, 결함을 진단할 수 있다. 결함 진단 시스템(100)은 동종설비 별로 발생빈도가 높은 결함을 도출할 수 있다. 결함 진단 시스템(100)은 동일한 기능을 하는 동일한 형태의 설비들을 동종설비로 그룹핑할 수 있다. 결함 진단 시스템(100)이 동종설비 별로 발생빈도가 높은 결함을 도출함으로써, 취약한 부품을 사전에 확보할 수 있고, 설비가 돌발 고장 시 긴급하게 대비할 수 있다. 결함 진단 시스템(100)은 동종설비의 특성을 반영함으로써, 정비주기를 최적화할 수 있다.
예를 들어, 결함 진단 시스템(100)은 머신러닝을 통해 결함을 진단할 수 있다. 즉, 결함 진단 시스템(100)은 다량의 데이터를 활용하는 인공지능을 통해 결함을 진단할 수 있다. 결함 진단 시스템(100)은 다양의 데이터에서 특징을 추출할 수 있고, 결함 진단 시스템(100)은 학습을 통해 분류 모델을 구현할 수 있다. 예를 들어, 결함 진단 시스템(100)은 정상, 비정상 및 결함의 종류를 기준으로 분류 모델을 결정할 수 있다. 이러한 머신러닝에 기반한 소수의 진단 모델이 다양한 설비에 적용될 수 있다.
도 3은 본 개시의 일 실시 예에 따른 회전기계에 대한 결함 진단 방법을 나타낸 흐름도이다.
도 3을 참조하면, 단계 S310에서, 결함 진단 시스템(100)은 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 회전기계에 대한 제 1 결함 값을 진단할 수 있다. 단계 S330에서, 결함 진단 시스템(100)은 회전기계의 결함과 연계된 주파수 및 제 1 결함 값에 기반하여 제 2 결함 값을 진단할 수 있다. 단계 S350에서, 결함 진단 시스템(100)은 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단할 수 있다. 단계 S370에서, 결함 진단 시스템(100)은 제 1 결함 값, 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 결함 심각도를 결정할 수 있다.
예를 들어, 결함 진단 시스템(100)은 머신러닝을 통해 회전기계의 결함 여부를 결정할 수 있다. 여기서, 머신러닝은 회전기계의 진동신호와 관련된 특징벡터들에 기반하여 수행될 수 있다. 예를 들어, 결함 진단 시스템(100)은 회전기계의 결함이 존재하지 않는 것에 기반하여, 제 1 결함 값이 0으로 결정할 수 있다. 이때, 결함 진단 시스템(100)은 제 1 결함 값이 0인 것에 기반하여, 결함 심각도를 0으로 결정할 수 있다. 또는, 결함 진단 시스템(100)은 회전기계의 결함이 존재하는 것에 기반하여, 제 1 결함 값을 회전기계와 관련된 전체 샘플 및 회전기계와 관련된 결함 샘플에 기반하여 결정할 수 있다.
예를 들어, 결함 진단 시스템(100)은 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 이내인 것에 기반하여, 제 2 결함 값을 사전 설정된 제 1 값으로 결정할 수 있다. 또는, 결함 진단 시스템(100)은 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 밖인 것에 기반하여, 제 2 결함 값을 제 1 결함 값으로 결정할 수 있다. 이때, 결함 진단 시스템(100)은 결함 심각도를 제 1 결함 값으로 결정할 수 있다.
예를 들어, 결함 진단 시스템(100)은 회전기계의 전체 진동 값이 제 1 임계 값보다 작은 것에 기반하여, 제 3 결함 값을 제 2 결함 값으로 결정할 수 있다. 이때, 결함 진단 시스템(100)은 결함 심각도를 제 2 결함 값으로 결정할 수 있다. 또는, 결함 진단 시스템(100)은 회전기계의 전체 진동 값이 제 1 임계 값보다 큰 것에 기반하여, 제 3 결함 값을 사전 설정된 제 2 값으로 결정할 수 있다. 이때, 결함 진단 시스템(100)은 결함 심각도를 사전 설정된 제 2 값으로 결정할 수 있다. 또는, 결함 진단 시스템(100)은 회전기계의 전체 진동 값이 제 2 임계 값보다 큰 것에 기반하여, 제 3 결함 값을 사전 설정된 제 3 값으로 결정할 수 있다. 이때, 결함 진단 시스템(100)은 결함 심각도를 사전 설정된 제 3 값으로 결정할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 회전기계에 대한 결함 심각도를 계산하기 위한 단계를 나타낸 흐름도이다.
먼저, 결함 진단 시스셈(100)은 회전기계의 상태를 진단한 데이터를 수신하고, 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 수행할 수 있다.
이후, 도 4를 참조하면, 단계 S410에서, 결함 진단 시스셈(100)은 머신러닝의 결과를 기반으로 회전기계에 대한 결함이 발생하였는지 여부를 판단할 수 있다. 예를 들어, 회전기계에 대한 결함이 발생한 경우, 결함 진단 시스템(100)은 결함을 나타내는 샘플의 비중을 계산할 수 있다. 예를 들어, 결함을 나타내는 샘플의 비중은 회전기계와 관련된 결함 샘플의 회전기계와 관련된 전체 샘플에 대한 비율일 수 있다. 결함 진단 시스템(100)은 결함을 나타내는 샘플의 비중에 기반하여 제 1 결함 값을 결정할 수 있다. 또는, 예를 들어, 회전기계에 대한 결함이 발생하지 않은 경우, 결함 진단 시스템(100)은 제 1 결함 값을 0으로 결정할 수 있다.
단계 S430에서, 결함 진단 시스템(100)은 회전기계의 결함과 연계된 주파수에 대한 알람 발생 여부를 판단할 수 있다. 단계 S410에서 제 1 결함 값이 0이 아닌 값으로 결정된 경우, 결함 진단 시스템(100)은 회전기계의 결함과 연계된 주파수에 대한 알람 발생 여부를 판단할 수 있다. 예를 들어, 회전기계의 결함과 연계된 주파수에 대한 알람은 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 이내인 경우에 발생할 수 있다. 예를 들어, 회전기계의 결함과 연계된 주파수에 대한 알람은 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 밖인 경우에 발생하지 않을 수 있다. 회전기계의 결함과 연계된 주파수에 대한 알람이 발생한 경우, 결함 진단 시스템(100)은 제 2 결함 값을 사전 설정된 제 1 값으로 결정할 수 있다. 또는, 회전기계의 결함과 연계된 주파수에 대한 알람이 발생하지 않은 경우, 결함 진단 시스템(100)은 제 2 결함 값을 제 1 결함 값으로 결정할 수 있다.
단계 S450에서, 결함 진단 시스템(100)은 회전기계의 전체 진동값이 허용 기준을 초과하는 여부를 판단할 수 있다. 단계 S430에서 회전기계의 결함과 연계된 주파수에 대한 알람이 발생한 경우, 결함 진단 시스템(100)은 회전기계의 전체 진동값이 허용 기준을 초과하는 여부를 판단할 수 있다. 예를 들어, 결함 진단 시스템(100)은 회전기계의 전체 진동값이 제 1 임계 값보다 작은 것에 기반하여, 제 3 결함 값을 제 2 결함 값으로 결정할 수 있다. 또는, 결함 진단 시스템(100)은 회전기계의 전체 진동값이 제 1 임계 값보다 큰 것에 기반하여, 제 3 결함 값을 사전 설정된 제 2 값으로 결정할 수 있다. 또는, 결함 진단 시스템(100)은 회전기계의 전체 진동값이 제 2 임계 값보다 큰 것에 기반하여, 제 3 결함 값을 사전 설정된 제 3 값으로 결정할 수 있다. 예를 들어, 제 2 임계 값은 제 1 임계 값보다 큰 값일 수 있다.
단계 S470에서, 결함 진단 시스템(100)은 회전 기계에 대한 결함 심각도를 결정할 수 있다. 예를 들어, 단계 S430에서 회전기계의 결함과 연계된 주파수에 대한 알람이 발생하지 않은 경우, 결함 진단 시스템(100)은 제 2 결함 값을 제 1 결함 값으로 결정하고, 결함 심각도를 제 1 결함 값으로 결정할 수 있다. 예를 들어, 단계 S450에서 회전기계의 전체 진동값이 제 1 임계 값보다 작은 경우, 결함 진단 시스템(100)은 제 3 결함 값을 제 2 결함 값으로 결정하고, 결함 심각도를 제 2 결함 값으로 결정할 수 있다. 예를 들어, 단계 S450에서 회전기계의 전체 진동값이 제 1 임계 값보다 큰 경우, 결함 진단 시스템(100)은 제 3 결함 값을 사전 설정된 제 1 값으로 결정하고, 결함 심각도를 제 3 결함 값으로 결정할 수 있다. 예를 들어, 단계 S450에서 회전기계의 전체 진동값이 제 2 임계 값보다 큰 경우, 결함 진단 시스템(100)은 제 3 결함 값을 사전 설정된 제 2 값으로 결정하고, 결함 심각도를 제 3 결함 값으로 결정할 수 있다.
단계 S490에서, 결함 진단 시스템(100)은 회전기계를 정상상태로 결정할 수 있다. 예를 들어, 단계 S410에서, 머신러닝에 기반하여 회전기계에 대한 결함이 발생하지 않은 것으로 진단된 경우, 결함 진단 시스템(100)은 회전기계를 정상상태로 결정할 수 있다. 예를 들어, 회전기계가 정상상태인 것은 결함 심각도가 0인 것일 수 있다.
예를 들어, 결함 진단 시스템(100)이 회전 기계를 정상상태로 결정한 경우, 단계 S430 및 단계 S450은 생략될 수 있다. 예를 들어, 회전 기계의 결함과 연계된 주파수에 대한 알람이 발생하지 않은 경우, 단계 S450은 생략될 수 있다.
도 5는 본 개시의 일 실시 예에 따른 회전기계에 대한 진단결과를 기반으로결함 심각도를 도출하는 방법을 나타낸 흐름도이다.
도 5를 참조하면, 심각도 계산 프로그램은 미소결함부터 과도 결함까지(예를 들어, 결함 레벨(defect level, 이하 DL) 1에서 DL 3까지) 설비의 상태를 자동적으로 정량화 해주는 프로그램일 수 있다. 예를 들어, 결함 진단 시스템은 심각도 계산 프로그램을 포함할 수 있다.
설비의 상태를 다양한 분야의 측면에서 복합적으로 고려하고, 정량화하기 위해, 결함 진단 시스템에 대해 각 진단기법을 통한 진단결과를 일괄적으로 조회하고, 진단결과가 결함 진단 시스템에 입력될 수 있다.
DL 1은 설비(예를 들어, 회전기계)에 대한 미소결함 또는 무증상에 대해 평가하기 위한 단계일 수 있다. 예를 들어, 결함 진단 시스템은 설비에 대한 머신러닝 결과를 조회하거나 설비와 관련된 데이터에 기반하여 머신러닝을 수행할 수 있다. 이후, 머신러닝 결과가 결함을 나타내는 경우, 결함 진단 시스템은 결함을 나타내는 샘플의 비중을 계산하여 제 1 DL 값을 결정할 수 있다. 예를 들어, 결함을 나타내는 샘플의 비중은 회전기계와 관련된 전체 샘플에 대한 회전기계와 관련된 결함 샘플의 비율일 수 있다. 예를 들어, 결함을 나타내는 샘플의 비중은 하기 수학식 1일 수 있다.
예를 들어, 머신러닝 결과가 결함을 나타내지 않는 경우, 결함 진단 시스템은 DL값을 0으로 결정할 수 있고, 설비의 상태를 정상상태로 결정할 수 있다.
예를 들어, 설비의 상태에 따라서 진동신호는 고유한 특성을 가지므로, 결함 진단 시스템은 머신러닝 진단 기법을 통해 각 특성을 잘 표현할 수 있는 특징벡터를 산출할 수 있다. 결함 진단 시스템은 동일한 상태의 특징 사이에 대해 최소화된 거리와 상이한 상태의 특징 사이에 대해 최대화된 거리를 잘 나타내는 특징으로 분류할 수 있고, 결함의 상태별로 영역화할 수 있다. 결함 진단 시스템은 이전의 수많은 데이터들에 대한 상태별(예를 들어, (정상, 결함종류별) 특징을 학습할 수 있고, 상태별 영역을 분류할 수 있다. 이때, 결함 진단 시스템은 신규 데이터가 입력되면, 그 데이터가 입력된 영역으로 설비상태를 예측할 수 있다. 따라서, 사람의 주관적인 개입이 최소화 되므로, 선입견 없이 결함에 대한 객관적인 판단이 가능할 수 있다.
DL 2는 결함의 경중을 평가하기 위한 단계일 수 있다. 결함 진단 시스템은 결함연계 주파수에서 알람의 발생 유무를 조회할 수 있다. 예를 들어, 결함연계 주파수에서 알람의 발생 유무는 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 이내 또는 사전 설정된 범위 밖인 것에 기반하여 결정될 수 있다. 즉, 예를 들어, 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 이내인 경우, 알람이 발생될 수 있다. 또는, 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 밖인 경우, 알람이 발생되지 않을 수 있다. 이때, 결함연계 주파수에 대한 알람이 발생한 경우, 결함 진단 시스템은 제 2 DL 값을 0.4로 결정할 수 있다. 여기서, 0.4는 사전 설정된 값일 수 있으며, 본 개시의 다양한 실시 예들에 따라 다른 값으로 설정될 수 있다. 또는, 결함연계 주파수에 대한 알람이 발생하지 않은 경우, 결함 진단 시스템은 제 1 DL 값을 최종적인 DL 값, 즉 제 2 DL 값으로 결정할 수 있다.
예를 들어, 협대역 주파수 진단기법은 전체 주파수 영역을 하나의 에너지 값으로 평가하는 것과 달리 주파수 영역을 세분화함으로써, 관심영역에 대한 주파수를 감시하고 평가하는 방법일 수 있다. 즉, 설비에서 발생하는 다양한 결함은 특정 주파수 영역에서 진폭변화를 유발하기 때문에, 결함 진단 시스템은 관심 주파수 영역을 파라미터로 구분하여 허용범위를 설정하고 설비를 감시할 수 있다. 따라서, 결함 진단 시스템은 관심 주파수 영역별로 결함에 대한 정보를 획득할 수 있고, 결함의 원인을 파악할 수 있다.
DL 3은 설비를 경고 또는 위험상태로 평가하는 단계일 수 있다. 예를 들어, 전체 진동값이 경고(Alert)의 허용기준(예를 들어, 제 1 임계 값)을 초과한 경우, 결함 진단 시스템은 제 3 DL 값을 0.6으로 결정할 수 있다. 여기서, 0.6은 사전 설정된 값일 수 있으며, 본 개시의 다양한 실시 예들에 따라 다른 값으로 설정될 수 있다. 예를 들어, 전체 진동 값이 오류(Fault)의 허용기준(예를 들어, 제 2 임계 값)을 초과한 경우, 결함 진단 시스템은 제 3 DL 값을 0.8로 결정할 수 있다. 예를 들어, 전체 진동값이 허용기준(예를 들어, 제 1 임계 값)을 초과하지 않은 경우, 결함 진단 시스템은 제 2 DL 값을 최종적인 DL 값, 즉, 제 3 DL 값으로 결정할 수 있다.
예를 들어, 전체 진동 값을 통한 진단 기법은 국제 규격이나 설비의 제작사 권고사항에 따라 한계치 또는 허용치의 기준근거로 설비에서 출력하는 전체 진동값을 평가하는 방법일 수 있다. 결함 진단 시스템은 설비를 형태, 용량, 지지구조 등으로 분류할 수 있고, 해당하는 설비에 적합한 평가기준을 적용할 수 있다. 국제표준 진동규격(ISO API등)과 같은 관리기준은 기준의 당위성 향상을 위하여 지속적으로 개정되고 있으므로, 결함 진단 시스템은 개정된 관리기준을 기반으로 결함을 평가할 수 있다. 따라서, 허용기준 이상치가 발생한 상태에 대하여 결함을 진단하는 겨우, 결함 진단 시스템은 보다 정확하게 결함을 진단할 수 있다.
결함 진단 시스템은 최종적으로 계산된 DL 값을 설비의 상태를 정량적으로 나타내는 결함 심각도로 평가할 수 있다.
이와 같이, 본 개시에 따른 회전기계의 결함 진단 방법 및 시스템은 설비의 미소한 상태변화를 정량적으로 평가할 수 있고, 평가결과 값(심각도)을 활용하여 설비의 결함진행 정도를 정확하게 확인하고, 설비상태의 정비시기, 수명 등을 보다 정확하게 판단할 수 있다.
앞에서 설명되고, 도면에 도시된 본 개시의 일 실시예는 본 개시의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 개시의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 개시의 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 개시의 보호범위에 속하게 될 것이다.
10 : 회전기계
100 : 회전기계의 결함 진단 시스템
110 : 저장부
120 : 연산 프로세서
130 : 출력부
100 : 회전기계의 결함 진단 시스템
110 : 저장부
120 : 연산 프로세서
130 : 출력부
Claims (12)
- 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하는 단계;
상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하는 단계;
상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하는 단계; 및
상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정하는 단계를 포함하는 회전기계의 결함 진단 방법.
- 제 1 항에 있어서,
상기 제 1 결함 값을 진단하는 단계는,
상기 머신러닝을 통해 상기 회전기계의 결함 여부를 결정하는 단계를 포함하는, 회전기계의 결함 진단 방법.
- 제 2 항에 있어서,
상기 머신러닝은, 상기 회전기계의 진동신호와 관련된 특징벡터들에 기반하여 수행되는, 회전기계의 결함 진단 방법.
- 제 2 항에 있어서,
상기 회전기계의 결함이 존재하지 않는 것에 기반하여, 상기 제 1 결함 값이 0으로 결정되고, 및
상기 결함 심각도는 0으로 결정되는, 회전기계의 결함 진단 방법.
- 제 2 항에 있어서,
상기 회전기계의 결함이 존재하는 것에 기반하여, 상기 제 1 결함 값이 상기 회전기계와 관련된 전체 샘플 및 상기 회전기계와 관련된 결함 샘플에 기반하여 결정되는, 회전기계의 결함 진단 방법.
- 제 5 항에 있어서,
상기 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 이내인 것에 기반하여, 상기 제 2 결함 값이 사전 설정된 제 1 값으로 결정되는, 회전기계의 결함 진단 방법.
- 제 5 항에 있어서,
상기 회전기계의 결함과 연계된 주파수가 사전 설정된 범위 밖인 것에 기반하여, 상기 제 2 결함 값이 상기 제 1 결함 값으로 결정되고, 및
상기 결함 심각도는 상기 제 1 결함 값으로 결정되는, 회전기계의 결함 진단 방법.
- 제 6 항에 있어서,
상기 회전기계의 전체 진동 값이 제 1 임계 값보다 작은 것에 기반하여, 상기 제 3 결함 값이 상기 제 2 결함 값으로 결정되고, 및
상기 결함 심각도는 상기 제 2 결함 값으로 결정되는, 회전기계의 결함 진단 방법.
- 제 6 항에 있어서,
상기 회전기계의 전체 진동 값이 제 1 임계 값보다 큰 것에 기반하여, 상기 제 3 결함 값이 사전 설정된 제 2 값으로 결정되고, 및
상기 결함 심각도는 상기 사전 설정된 제 2 값으로 결정되는, 회전기계의 결함 진단 방법.
- 제 6 항에 있어서,
상기 회전기계의 전체 진동 값이 제 2 임계 값보다 큰 것에 기반하여, 상기 제 3 결함 값이 사전 설정된 제 3 값으로 결정되고, 및
상기 결함 심각도는 상기 사전 설정된 제 3 값으로 결정되는, 회전기계의 결함 진단 방법.
- 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하고,
상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하고,
상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하고, 및
상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정하는 회전기계의 결함 진단 시스템.
- 회전기계의 상태를 진단한 데이터에 기반하여 머신러닝을 통해 상기 회전기계에 대한 제 1 결함 값을 진단하고,
상기 회전기계의 결함과 연계된 주파수 및 상기 제 1 결함 값에 기반하여 제 2 결함 값을 진단하고,
상기 회전기계의 전체 진동 값 및 상기 제 2 결함 값에 기반하여 제 3 결함 값을 진단하고,
상기 제 1 결함 값, 상기 제 2 결함 값 또는 상기 제 3 결함 값 중 적어도 하나에 기반하여 상기 회전기계의 결함 심각도를 결정하는 회전기계의 결함 진단 시스템의 연산프로세서.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200189559A KR102649453B1 (ko) | 2020-12-31 | 2020-12-31 | 회전기계의 결함을 진단하는 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200189559A KR102649453B1 (ko) | 2020-12-31 | 2020-12-31 | 회전기계의 결함을 진단하는 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220096794A true KR20220096794A (ko) | 2022-07-07 |
| KR102649453B1 KR102649453B1 (ko) | 2024-03-20 |
Family
ID=82397947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200189559A KR102649453B1 (ko) | 2020-12-31 | 2020-12-31 | 회전기계의 결함을 진단하는 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102649453B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102572908B1 (ko) * | 2023-06-01 | 2023-08-31 | 주식회사 에이테크 | 전기차 구동 모터의 동적 편심 진단 방법 및 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130129679A (ko) * | 2012-05-21 | 2013-11-29 | 한국 전기안전공사 | 심각도 평가를 통한 몰드변압기 진단 시스템 |
| KR20190072165A (ko) * | 2017-12-15 | 2019-06-25 | 주식회사 에이스이앤티 | 모터 고장 진단 시스템 |
| KR20200101507A (ko) * | 2019-01-30 | 2020-08-28 | 한국해양대학교 산학협력단 | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 |
-
2020
- 2020-12-31 KR KR1020200189559A patent/KR102649453B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130129679A (ko) * | 2012-05-21 | 2013-11-29 | 한국 전기안전공사 | 심각도 평가를 통한 몰드변압기 진단 시스템 |
| KR20190072165A (ko) * | 2017-12-15 | 2019-06-25 | 주식회사 에이스이앤티 | 모터 고장 진단 시스템 |
| KR20200101507A (ko) * | 2019-01-30 | 2020-08-28 | 한국해양대학교 산학협력단 | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102572908B1 (ko) * | 2023-06-01 | 2023-08-31 | 주식회사 에이테크 | 전기차 구동 모터의 동적 편심 진단 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102649453B1 (ko) | 2024-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
| KR102141391B1 (ko) | 군집 평가에 기반한 고장 데이터의 관리 방법 | |
| US5602761A (en) | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme | |
| US7275018B2 (en) | Method of condition monitoring | |
| KR102344852B1 (ko) | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 | |
| US20170161963A1 (en) | Method of identifying anomalies | |
| KR102278199B1 (ko) | 조건부 확률에 기반한 진단 데이터의 관리 방법 | |
| CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
| US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
| JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| KR20190081933A (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
| KR20140072331A (ko) | 이상진단 사전감시 방법 | |
| ITCO20090068A1 (it) | Metodo e sistema per diagnosticare compressori | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| EP4273520A1 (en) | Method and system for comprehensively diagnosing defect in rotating machine | |
| KR102649453B1 (ko) | 회전기계의 결함을 진단하는 방법 및 시스템 | |
| JP2020027563A (ja) | ヘルスモニタリングシステム | |
| KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| Olsson et al. | Case-based reasoning combined with statistics for diagnostics and prognosis | |
| KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
| US20200356081A1 (en) | System and a Method to Enable Zero Defect Production | |
| JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
| CN115511237A (zh) | 装置运行状况监控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |