KR20220106347A - 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 - Google Patents
진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 Download PDFInfo
- Publication number
- KR20220106347A KR20220106347A KR1020210009177A KR20210009177A KR20220106347A KR 20220106347 A KR20220106347 A KR 20220106347A KR 1020210009177 A KR1020210009177 A KR 1020210009177A KR 20210009177 A KR20210009177 A KR 20210009177A KR 20220106347 A KR20220106347 A KR 20220106347A
- Authority
- KR
- South Korea
- Prior art keywords
- image data
- vibration
- forming
- data
- time waveform
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 진동 데이터의 패턴에 기반하여 고장의 종류를 판단할 수 있는 솔루션의 입력 데이터로 사용할 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이다. 본 발명의 실시예에 따른 진동 이미지 데이터 형성 시스템은, 다수의 회전기기 마다 서로 다른 3축 방향을 따라서 설치된 다수의 센서에 의해서, 다수의 회전기기의 진동 데이터를 형성하고, 다수의 회전기기의 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 회전기기별 진동 데이터의 차수(order)를 나타내도록 진동 이미지 데이터를 형성한다.
Description
본 발명은 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것으로, 보다 구체적으로는 진동 데이터의 패턴에 기반하여 고장의 종류를 판단할 수 있는 솔루션의 입력 데이터로 사용할 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
회전기기는 고장 원인에 따라서 진동 데이터(특히, 주파수 스펙트럼 도메인)에서 고장 특성이 잘 나타나고, 고장 원인(부위)에 따른 진동 패턴의 특성은 이론적으로 정립되어 있다.
통상 기자재 상태 진단 기술은 진동 센서를 이용하여 데이터를 수집하고 수집된 진동 데이터를 진동 전문가가 여러가지 툴(tool)을 이용하여 분석한 후 고장 원인 및 심각도를 판단한다.
따라서 진동 전문가의 경험 및 지식수준에 따라 고장 원인 및 심각도에 대한 결과가 달라질 수 있으며, 특히 선박에서는 통신이 원활하지 않은 상태에서 육상에 위치한 진동 전문가에게 도움을 받지 못하는 상황이 빈번하게 발생하는 문제점이 있다.
그러므로 이론적으로 정립되어 있는 진동 데이터의 고장 패턴을 기반으로 전문가의 도움없이 회전기기의 고장을 자동적으로 진단할 수 있는 수단을 필요로 한다.
본 발명은 진동 데이터의 패턴에 기반하여 고장의 종류를 판단할 수 있는 솔루션의 입력 데이터로 사용할 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체를 제공한다.
본 발명의 일 실시예에 따른 진동 이미지 데이터 형성 시스템은, 서로 다른 3축 방향을 따라서, 다수의 회전기기 마다 설치되어 상기 다수의 회전기기의 진동 데이터를 형성하는 다수의 센서; 및 상기 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터를 형성하고, 상기 시간 파형 이미지 데이터를 변환하여 주파수 스펙트럼 이미지 데이터를 형성하며, 상기 시간 파형 이미지 데이터 및 상기 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성하는 프로세서를 포함한다.
또한, 상기 다수의 회전기기는, 선박에 사용되는 모터, 인보드 베어링(Inboard Bearing), 아웃보드(Outboard Bearing) 베어링 중 어느 하나 이상을 포함하고, 상기 서로 다른 3축 방향은, 직교 좌표계(Cartesian Coordinate)의 수평(horizontal) 방향, 수직(vertical) 방향 및 축(Axial) 방향을 포함할 수 있다.
또한, 상기 프로세서는, 상기 다수의 회전기기의 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 상기 회전기기별 진동 데이터의 차수(order)를 나타내도록 상기 시간 파형 이미지 데이터를 형성할 수 있다.
여기서, 상기 프로세서는, 상기 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform)한 후, 3차원 그래프(Waterfall)를 형성하고, 상기 3차원 그래프에서의 진동크기를 대응하는 색으로 표현하여 상기 주파수 스펙트럼 이미지 데이터를 형성할 수 있다.
이때, 상기 3차원 그래프는, 주파수를 나타내는 제3 축, 상기 다수의 센서의 순번을 나타내는 제4 축, 상기 진동크기를 나타내는 제5 축을 포함할 수 있다.
본 발명의 다른 실시예에 따른 진동 이미지 데이터 형성 방법은, 서로 다른 3축 방향을 따라서, 다수의 회전기기 마다 설치된 다수의 센서에 의해서, 상기 다수의 회전기기의 진동 데이터를 형성하는 단계; 상기 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터를 형성하는 단계; 상기 시간 파형 이미지 데이터를 변환하여 주파수 스펙트럼 이미지 데이터를 형성하는 단계; 및 상기 시간 파형 이미지 데이터 및 상기 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성하는 단계를 포함한다.
또한, 상기 다수의 회전기기는, 선박에 사용되는 모터, 인보드 베어링(Inboard Bearing), 아웃보드 베어링(Outboard Bearing) 중 어느 하나 이상을 포함하고, 상기 서로 다른 3축 방향은, 직교 좌표계(Cartesian Coordinate)의 수평(horizontal) 방향, 수직(vertical) 방향 및 축(Axial) 방향을 포함할 수 있다.
또한, 상기 시간 파형 이미지 데이터를 형성하는 단계는, 상기 다수의 회전기기의 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 상기 회전기기별 진동 데이터의 차수(order)를 나타내도록 상기 시간 파형 이미지 데이터를 형성하는 단계를 포함할 수 있다.
여기서, 상기 주파수 스펙트럼 이미지 데이터를 형성하는 단계는, 상기 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform)하는 단계; 상기 푸리에 변환 결과에 기초하여 3차원 그래프(Waterfall)를 형성하는 단계; 및 상기 3차원 그래프에서의 진동크기를 대응하는 색으로 표현하여 상기 주파수 스펙트럼 이미지 데이터를 형성하는 단계를 포함할 수 있다.
이때, 상기 3차원 그래프를 형성하는 단계는, 주파수를 나타내는 제3 축, 상기 다수의 센서의 순번을 나타내는 제4 축, 상기 진동크기를 나타내는 제5 축을 포함하도록 상기 3차원 그래프를 형성하는 단계를 포함할 수 있다.
본 발명의 또 다른 실시예에 따른 컴퓨터 판독 가능한 기록 매체는, 상기한 진동 이미지 데이터 형성 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록될 수 있다.
본 발명의 실시예들에 따르면, 선박 내의 회전기기들에 대한 진동 데이터의 고장 패턴이 잘 나타나도록 진동 이미지 데이터를 형성하여 회전기기들의 상태를 정확하고 빠르게 진단할 수 있다.
도 1은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 시스템의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 선박 내 회전기기에 설치된 다수의 센서의 구성을 보이는 예시도이다.
도 3은 본 발명의 실시예에 따른 시간 파형 이미지 데이터의 구성을 보이는 예시도이다.
도 4는 본 발명의 실시예에 따른 주파수 스펙트럼 이미지 데이터 형성 과정을 나타내는 예시도이다.
도 5는 본 발명의 실시예에 따른 주파수 스펙트럼 이미지 데이터 형성 과정을 보이는 예시도이다.
도 6은 본 발명의 실시예에 따른 진동 이미지 데이터의 구성을 보이는 예시도이다.
도 7은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 장치의 구성을 보이는 예시도이다.
도 8은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 방법의 절차를 보이는 흐름도이다.
도 2는 본 발명의 실시예에 따른 선박 내 회전기기에 설치된 다수의 센서의 구성을 보이는 예시도이다.
도 3은 본 발명의 실시예에 따른 시간 파형 이미지 데이터의 구성을 보이는 예시도이다.
도 4는 본 발명의 실시예에 따른 주파수 스펙트럼 이미지 데이터 형성 과정을 나타내는 예시도이다.
도 5는 본 발명의 실시예에 따른 주파수 스펙트럼 이미지 데이터 형성 과정을 보이는 예시도이다.
도 6은 본 발명의 실시예에 따른 진동 이미지 데이터의 구성을 보이는 예시도이다.
도 7은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 장치의 구성을 보이는 예시도이다.
도 8은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 방법의 절차를 보이는 흐름도이다.
본 발명의 실시예들은 본 발명의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 발명에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적인 설명으로 한정되는 것은 아니다.
이하, 첨부한 도면들을 참조하여, 본 발명의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지 않는다.
도 1은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 시스템의 구성을 보이는 예시도이다.
도 1에 도시한 바와 같이, 진동 이미지 데이터 형성 시스템(100)은 다수의 센서(110-1,…,110-n), 진동 이미지 데이터 형성 장치(120), 데이터베이스(130) 및 네트워크(N)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 진동 이미지 데이터 형성 장치(120)와는 별도로 클라우드(Cloud) 환경에서 구현될 수도 있지만 이에 한정되지 않고, 데이터베이스(130)가 진동 이미지 데이터 형성 장치(120)내에 구비될 수도 있다.
다수의 센서(110-1,…,110-n), 진동 이미지 데이터 형성 장치(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다. 다수의 센서(110-1,…,110-n)는, 서로 다른 3축 방향을 따라서 다수의 회전기기 마다 설치되어 다수의 회전기기의 진동 데이터를 형성할 수 있다. 일 실시예에 따르면, 다수의 센서(110-1,…,110-n)는, 선박 내의 다양한 회전기기에 서로 다른 3축 방향을 따라서 설치될 수 있다. 예를 들어, 다수의 회전기기는 선박에 사용되는 모터, 인보드 베어링(Inboard Bearing), 아웃보드 베어링(Outboard Bearing) 등을 포함할 수 있지만, 이에 한정되지 않고 선박 내에서 모터의 동력에 의해서 회전 운동할 수 있는 다양한 회전기기를 포함할 수 있다. 또한, 다수의 센서(110-1,…,110-n)는, 실시간 또는 비 실시간으로 형성된 다수의 회전기기의 진동 데이터를 네트워크(N)를 통하여 진동 이미지 데이터 형성 장치(120) 및/또는 데이터베이스(130)로 전송할 수 있다.
도 2는 본 발명의 실시예에 따른 선박 내 회전기기에 설치된 다수의 센서의 구성을 보이는 예시도이다.
도 2에 도시한 바와 같이, 다수의 센서(110-1,…,110-n)는, 다수의 회전기기의 서로 다른 3축 방향을 따라서 설치될 수 있다. 일 실시예에 따르면, 서로 다른 3축 방향은 직교 좌표계(Cartesian Coordinate)의 수평(Horizontal) 방향, 수직(Vertical) 방향 및 축(Axial) 방향을 포함할 수 있지만, 이에 한정되지 않는다.
예를 들어, 다수의 회전기기가 선박에 사용되는 모터, 인보드 베어링(Inboard Bearing), 아웃보드(Outboard Bearing) 베어링을 포함할 경우, 제1 내지 제3 센서는 모터의 수평 방향(MH), 수직 방향(MV), 축 방향(MA)으로 설치되고, 제4 내지 제6 센서는 인보드 베어링의 수평 방향(WIH), 수직 방향(WIV), 축 방향(WIA)으로 설치되며, 제7 내지 제9 센서는 아웃보드 베어링의 수평 방향(WOH), 수직 방향(WOV), 축 방향(WOA)으로 설치될 수 있지만, 다수의 센서(110-1,…,110-n)가 다수의 회전기기에 설치되는 위치가 이에 한정되지 않는다.
진동 이미지 데이터 형성 장치(120)는, 다수의 센서(110-1,…,110-n)로부터 수신된 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터를 형성할 수 있다. 일 실시예에 따르면, 진동 이미지 데이터 형성 장치(120)는, 다수의 센서(110-1,…,110-n)로부터 수신된 회전기기별 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 회전기기별 진동 데이터의 차수(order)를 나타내도록 시간 파형 이미지 데이터를 형성할 수 있다. 예를 들어, 제1 축 방향은 평면 수직 좌표계의 y축 방향을 나타내고, 제2 축 방향은 평면 수직 좌표계의 x축 방향을 나타낼 수 있다.
도 3은 본 발명의 실시예에 따른 시간 파형 이미지 데이터의 구성을 보이는 예시도이다.
도 3에 도시한 바와 같이, 진동 이미지 데이터 형성 장치(120)는, 다수의 센서(110-1,…,110-n)로부터 수신된 회전기기별 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 회전기기별 진동 데이터의 차수(order)를 나타내도록 시간 파형 이미지 데이터를 형성할 수 있다. 예를 들어, 진동 이미지 데이터 형성 장치(120)는, 제1 내지 제3 센서에서 수신된 수평 방향 진동 데이터(MH), 수직 방향 진동 데이터(MV), 축 방향 진동 데이터(MA), 제4 내지 제6 센서에서 수신된 인보드 베어링의 수평 방향 진동 데이터(WIH), 수직 방향 진동 데이터(WIV), 축 방향 진동 데이터(WIA), 제7 내지 제9 센서에서 수신된 아웃보드 베어링의 수평 방향 진동 데이터(WOH), 수직 방향 진동 데이터(WOV), 축 방향 진동 데이터(WOA) 각각을 순서대로 제1 축 방향(예를 들어, y축 방향)으로 누적하여 시간 파형 이미지 데이터를 형성할 수 있다.
도 4는 본 발명의 실시예에 따른 주파수 스펙트럼 이미지 데이터 형성 과정을 나타내는 예시도이다.
도 4의 (a)에 도시한 바와 같이, 각종 회전기기에 설치된 다수의 센서(110-1,…,110-n)에 의해서 진동 데이터가 형성될 수 있다. 다수의 센서(110-1,…,110-n)에 의해서 형성된 진동 데이터는 (b)에 도시한 바와 같이, 시계열 데이터 형태를 나타낼 수 있다.
진동 이미지 데이터 형성 장치(120)는, 시계열 데이터 형태를 갖는 진동 데이터를 주파수 스펙트럼 이미지 데이터로 변환할 수 있다. 다수의 센서(110-1,…,110-n)로부터 수신된 진동 데이터(b)는 시간 파형 이미지 데이터로서 다수의 주파수를 갖는 신호의 합으로 구성될 수 있고, 진동 이미지 데이터 형성 장치(120)는 이러한 시간 파형 이미지 데이터를 주파수 별로 분해하여 (c)와 같이 나타낼 수 있다. 일 실시예에 따르면, 진동 이미지 데이터 형성 장치(120)는
푸리에 변환(Fourier Transform) 또는 고속 푸리에 변환(FFT)을 이용하여 시간 파형 이미지 데이터를 주파수 별로 분해할 수 있지만, 이에 한정되지 않는다.
진동 이미지 데이터 형성 장치(120)는, (c)에 도시한 그래프를 이용하여 x축을 주파수(Hz)로 나타내고, y축을 진동 속도 또는 가속도로 나타낸 주파수 스펙트럼 이미지 데이터(d)를 형성할 수 있다. 다수의 센서(110-1,…,110-n)가 설치된 회전기기에서 고장이 발생할 경우 (d)에 도시한 주파수 스펙트럼 이미지 데이터의 특정 주파수 대역에서 y값이 커지는 현상을 관찰할 수 있고, 이러한 현상을 이용하여 회전기기의 고장 여부를 판단할 수 있다.
또한, 진동 이미지 데이터 형성 장치(120)는, 시간 파형 이미지 데이터를 변환하여 주파수 스펙트럼 이미지 데이터를 형성할 수 있다. 일 실시예에 따르면, 진동 이미지 데이터 형성 장치(120)는, 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform) 또는 고속 푸리에 변환(Fast Fourier Transform)한 후, 3차원 그래프(Waterfall)를 형성하고, 3차원 그래프에서의 진동크기를 대응하는 색으로 표현하여 주파수 스펙트럼 이미지 데이터를 형성할 수 있다. 예를 들어, 3차원 그래프는, 주파수를 나타내는 제3 축, 다수의 센서(110-1,…,110-n)의 순번을 나타내는 제4 축, 진동크기를 나타내는 제5 축을 포함할 수 있다. 일 실시예에 따르면, 3차원 그래프가 포함하는 제3 축은 직교 좌표계(Cartesian Coordinate)의 x축, 제4 축은 y축, 제5 축은 z축을 나타낼 수 있지만, 이에 한정되지 않는다.
도 5는 본 발명의 실시예에 따른 주파수 스펙트럼 이미지 데이터 형성 과정을 보이는 예시도이다.
도 5에 도시한 바와 같이, (a)는 다수의 센서(110-1,…,110-n)에 의해서 형성된 진동 데이터 즉, 시간 파형 이미지 데이터를 나타낼 수 있고, 진동 이미지 데이터 형성 장치(120)는 (a)의 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform) 또는 고속 푸리에 변환(Fast Fourier Transform)하여 (b)에 도시한 주파수 스펙트럼 이미지 데이터를 형성할 수 있다.
또한, 진동 이미지 데이터 형성 장치(120)는 (b)의 주파수 스펙트럼 이미지 데이터를 (c)에 도시한 3차원 그래프(Waterfall) 형태로 가시화 할 수 있다. 일 실시예에 따르면, (c)에 도시한 3차원 그래프(Waterfall)는, 주파수를 나타내는 제1 축, 다수의 센서(110-1,…,110-n)의 순번을 나타내는 제2 축, 진동크기를 나타내는 제3 축을 포함할 수 있다. 예를 들어, 3차원 그래프가 포함하는 제1 축은 직교 좌표계(Cartesian Coordinate)의 x축, 제2 축은 y축, 제3 축은 z축을 나타낼 수 있다.
또한, 진동 이미지 데이터 형성 장치(120)는 (c)에 도시한 3차원 그래프에서 제3 축이 나타내는 진동크기를 대응하는 색으로 표현하여 (d)의 2차원 형태의 주파수 스펙트럼 이미지 데이터를 형성할 수 있다.
도 6은 본 발명의 실시예에 따른 진동 이미지 데이터의 구성을 보이는 예시도이다.
도 6에 도시한 바와 같이, 진동 이미지 데이터 형성 장치(120)는, 시간 파형 이미지 데이터와 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성할 수 있다. 일 실시예에 따르면, 진동 이미지 데이터 형성 장치(120)는, 형성된 시간 파형 이미지 데이터를 왼쪽에 배치하고, 시간 파형 이미지 데이터를 변환하여 형성된 주파수 스펙트럼 이미지 데이터를 오른쪽에 배치하여 시간 파형 이미지 데이터와 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성할 수 있지만, 진동 이미지 데이터의 구성 방법이 이에 한정되지 않는다.
또한, 진동 이미지 데이터 형성 장치(120)는, 인공지능(AI: Artificial Intelligence)을 이용한 심층학습(Deep Learning) 알고리즘 또는 빅데이터(Big Data)를 이용한 기계학습(Machine Learning) 알고리즘을 통하여 진동 이미지 데이터를 형성할 수도 있지만, 진동 이미지 데이터 형성 방법이 이에 한정되지 않는다.
또한, 진동 이미지 데이터 형성 장치(120)는, 인공지능을 이용한 심층학습 알고리즘 또는 빅데이터를 이용한 기계학습 알고리즘을 통하여 진동 이미지 데이터를 입력 받아서 진동 이미지 데이터에 대응하는 회전기기별 상태 진단 데이터를 출력할 수 있다. 일 실시예에 따르면, 진동 이미지 데이터 형성 장치(120)는, 다수의 회전기기의 진동 이미지 데이터로부터 회전기기별 정상, 불평형, 축정렬 불량, 베어링 불량(Bearing fault), 느슨함(Looseness) 등의 상태 진단 데이터를 출력할 수 있다.
네트워크(N)는 다수의 센서(110-1,…,110-n), 진동 이미지 데이터 형성 장치(120) 및 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 네트워크(N)는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 센서(110-1,…,110-n) 또는 진동 이미지 데이터 형성 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 다수의 회전기기별 진동 데이터, 진동 이미지 데이터, 시간 파형 이미지 데이터 및 주파수 스펙트럼 이미지 데이터 등을 저장할 수 있다.
본 발명에서, 프로그램은 데이터베이스(130)에 저장되는 소프트웨어로서, 진동 이미지 데이터 형성 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 진동 이미지 데이터 형성 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.
도 7은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 장치의 구성을 보이는 예시도이다.
도 7에 도시한 바와 같이, 진동 이미지 데이터 형성 장치(120)는, 입력부(122), 하나 이상의 프로세서(124), 출력부(126) 및 하나 이상의 메모리를 포함할 수 있다. 일 실시예로서, 진동 이미지 데이터 형성 장치(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 진동 이미지 데이터 형성 장치(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 진동 이미지 데이터 형성 장치(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다. 일 실시예로서, 진동 이미지 데이터 형성 장치(120)는 기계 학습 특히, 딥러닝과 같은 심층 강화 학습 알고리즘을 이용하여 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터, 시간 파형 이미지 데이터를 변환하여 형성된 주파수 스펙트럼 이미지 데이터, 시간 파형 이미지 데이터 및 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 형성된 진동 이미지 데이터를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 이용하여 신경망 모델을 훈련시킬 수 있다.
입력부(122)는, 다수의 회전기기의 진동 데이터를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(122)는, 선박에서 사용되는 다수의 회전기기별로 설치된 다수의 센서(110-1,…,110-n)로부터 네트워크(N)를 통하여 회전기기별 진동 데이터를 수신할 수 있다.
프로세서(124)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(124)에 연결된 진동 이미지 데이터 형성 장치(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(124)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(124)는 데이터 등을 데이터베이스(130)로부터 로드하거나, 데이터베이스(130)에 저장할 수 있다.
전술한 바와 같이, 프로세서(124)는 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터를 수신할 수 있다. 또한, 프로세서(124)는 시간 파형 이미지 데이터를 변환하여 형성된 주파수 스펙트럼 이미지 데이터를 수신할 수 있다. 또한, 프로세서(124)는, 시간 파형 이미지 데이터 및 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 형성된 진동 이미지 데이터를 수신할 수 있다. 또한, 프로세서(124)는, 시간 파형 이미지 데이터, 주파수 스펙트럼 이미지 데이터 및 진동 이미지 데이터를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 인공지능 기술의 기계 학습 알고리즘을 이용하여 신경망 모델을 훈련시킬 수 있다.
또한, 프로세서(124)는, 진동 이미지 데이터를 입력 받아서 진동 이미지 데이터에 대응하는 선박용 기자재의 상태 진단 데이터를 출력할 수 있다. 일 실시예에 따르면, 상태 진단 데이터는, 선박용 기자재의 정상, 불평형, 축정렬 불량, 베어링 불량(Bearing fault), 느슨함(Looseness) 등을 포함할 수 있지만, 상태 진단 데이터가 포함하는 정보가 이에 한정되지 않는다.
하나 이상의 메모리는 다양한 데이터를 저장할 수 있다. 하나 이상의 메모리에 저장되는 데이터는, 진동 이미지 데이터 형성 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 하나 이상의 메모리는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 하나 이상의 메모리에 저장되는 소프트웨어로서, 진동 데이터 형성 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 진동 데이터 형성 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
하나 이상의 메모리는 상술한 다수의 센서(110-1,…,110-n)로부터 수신된 다수의 회전기기의 진동 데이터, 시간 파형 이미지 데이터, 주파수 스펙트럼 이미지 데이터 및 진동 이미지 데이터 등을 저장할 수 있다. 또한, 하나 이상의 메모리는, 프로세서(124)에 의한 실행 시, 프로세서(124)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.
일 실시예로서, 진동 이미지 데이터 형성 장치(120)는 출력부(126)를 더 포함할 수 있다. 출력부(126)는, 프로세서(124)에서 형성된 상태 진단 데이터를 사용자가 인식할 수 있는 형태로 표시할 수 있다.
일 실시예로서, 진동 이미지 데이터 형성 장치(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 진동 이미지 데이터 형성 장치(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 진동 이미지 데이터 형성 장치(120)는 전술한 장치들에 한정되지 않는다.
본 발명에 따른 진동 이미지 데이터 형성 장치(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 진동 이미지 데이터 형성 장치(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 진동 이미지 데이터 형성 장치(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 진동 이미지 데이터 형성 장치(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.
도 8은 본 발명의 실시예에 따른 진동 이미지 데이터 형성 방법의 절차를 보이는 흐름도이다. 도 6의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 8에 도시한 바와 같이, 단계(S810)에서, 다수의 회전기기의 진동 데이터가 획득된다. 예를 들어, 도 1 내지 도 5를 참조하면, 다수의 회전기기마다 서로 다른 3축 방향을 따라서 설치된 다수의 센서(110-1,…,110-n)는, 다수의 회전기기별 진동 데이터를 형성할 수 있다. 일 실시예에 따르면, 서로 다른 3축 방향은 직교 좌표계(Cartesian Coordinate)의 수평(Horizontal) 방향, 수직(Vertical) 방향 및 축(Axial) 방향을 포함할 수 있지만, 이에 한정되지 않는다.
단계(S820)에서, 시간 파형 이미지 데이터가 형성된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 이미지 데이터 형성 장치(120)의 프로세서(124)는, 다수의 센서(110-1,…,110-n)로부터 네트워크(N)를 통하여 진동 데이터를 수신하여 시간 파형 이미지 데이터를 형성할 수 있다. 일 실시예에 따르면, 프로세서(124)는, 다수의 센서(110-1,…,110-n)로부터 수신된 회전기기별 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 회전기기별 진동 데이터의 차수(order)를 나타내도록 시간 파형 이미지 데이터를 형성할 수 있다.
단계(S830)에서, 주파수 스펙트럼 이미지 데이터가 형성된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 이미지 데이터 형성 장치(120)의 프로세서(124)는, 단계 S620에서 형성된 시간 파형 이미지 데이터를 이용하여 주파수 스펙트럼 이미지 데이터를 형성할 수 있다. 일 실시예에 따르면, 프로세서(124)는, 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform) 또는 고속 푸리에 변환(Fast Fourier Transform)한 후, 3차원 그래프(Waterfall)를 형성하고, 3차원 그래프에서의 진동크기를 대응하는 색으로 표현하여 주파수 스펙트럼 이미지 데이터를 형성할 수 있다.
단계(S840)에서, 진동 이미지 데이터가 형성된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 이미지 데이터 형성 장치(120)의 프로세서(124)는, 단계 S820에서 형성된 시간 파형 이미지 데이터와 단계 S830에서 형성된 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성할 수 있다.
본 발명의 다양한 실시예들은 기기(machine)가 읽을 수 있는 저장매체(machine-readable storage medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 발명의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 발명이 속하는 기술분야의 프로그래머들에 의해 본 발명의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령어(예: 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예로서, 기기는 본 발명의 실시예들에 따른 진동 이미지 데이터 형성 장치(120)일 수 있다. 일 실시예로서, 기기의 프로세서는 호출된 명령어를 실행하여, 기기의 구성요소들이 해당 명령어에 해당하는 기능을 수행하게 할 수 있다. 일 실시예로서, 프로세서는 본 발명의 실시예들에 따른 프로세서(124)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(recording medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장 장치 등을 포함할 수 있다. 일 실시예로서, 저장 매체는 데이터베이스(130)일 수 있다. 일 실시예로서, 저장 매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장 매체일 수 있다. 비일시적 저장 매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(tangible medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(signal)를 포함하지 않는다.
이상 다양한 실시예들에 의해 본 발명의 기술적 사상이 설명되었지만, 본 발명의 기술적 사상은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 범위에서 이루어질 수 있는 다양한 치환, 변형 및 변경을 포함한다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 포함될 수 있는 것으로 생각되어야 한다.
100: 진동 이미지 데이터 형성 시스템
110-1,…,110-n: 센서
120: 진동 이미지 데이터 형성 장치 130: 데이터베이스
122: 입력부 124: 프로세서
126: 출력부 N: 네트워크
120: 진동 이미지 데이터 형성 장치 130: 데이터베이스
122: 입력부 124: 프로세서
126: 출력부 N: 네트워크
Claims (11)
- 진동 이미지 데이터 형성 시스템으로서,
서로 다른 3축 방향을 따라서, 다수의 회전기기 마다 설치되어 상기 다수의 회전기기의 진동 데이터를 형성하는 다수의 센서; 및
상기 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터를 형성하고, 상기 시간 파형 이미지 데이터를 변환하여 주파수 스펙트럼 이미지 데이터를 형성하며, 상기 시간 파형 이미지 데이터 및 상기 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성하는 프로세서를 포함하는,
진동 이미지 데이터 형성 시스템. - 제 1 항에 있어서,
상기 다수의 회전기기는,
선박에 사용되는 모터, 인보드 베어링(Inboard Bearing), 아웃보드 베어링(Outboard Bearing) 중 어느 하나 이상을 포함하고,
상기 서로 다른 3축 방향은,
직교 좌표계(Cartesian Coordinate)의 수평(horizontal) 방향, 수직(vertical) 방향 및 축(Axial) 방향을 포함하는,
진동 이미지 데이터 형성 시스템. - 제 1 항에 있어서,
상기 프로세서는,
상기 다수의 회전기기의 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 상기 회전기기별 진동 데이터의 차수(order)를 나타내도록 상기 시간 파형 이미지 데이터를 형성하는,
진동 이미지 데이터 형성 시스템. - 제 3 항에 있어서,
상기 프로세서는,
상기 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform) 또는 고속 푸리에 변환(Fast Fourier Transform)한 후, 3차원 그래프(Waterfall)를 형성하고, 상기 3차원 그래프에서의 진동크기를 대응하는 색으로 표현하여 상기 주파수 스펙트럼 이미지 데이터를 형성하는,
진동 이미지 데이터 형성 시스템. - 제 4 항에 있어서,
상기 3차원 그래프는,
주파수를 나타내는 제3 축, 상기 다수의 센서의 순번을 나타내는 제4 축, 상기 진동크기를 나타내는 제5 축을 포함하는,
진동 이미지 데이터 형성 시스템. - 진동 이미지 데이터 형성 방법으로서,
서로 다른 3축 방향을 따라서, 다수의 회전기기 마다 설치된 다수의 센서에 의해서, 상기 다수의 회전기기의 진동 데이터를 형성하는 단계;
상기 다수의 회전기기의 진동 데이터를 이용하여 시간 파형 이미지 데이터를 형성하는 단계;
상기 시간 파형 이미지 데이터를 변환하여 주파수 스펙트럼 이미지 데이터를 형성하는 단계; 및
상기 시간 파형 이미지 데이터 및 상기 주파수 스펙트럼 이미지 데이터가 동시에 나타나도록 진동 이미지 데이터를 형성하는 단계를 포함하는,
진동 이미지 데이터 형성 방법. - 제 6 항에 있어서,
상기 다수의 회전기기는,
선박에 사용되는 모터, 인보드 베어링(Inboard Bearing), 아웃보드 베어링(Outboard Bearing) 중 어느 하나 이상을 포함하고,
상기 서로 다른 3축 방향은,
직교 좌표계(Cartesian Coordinate)의 수평(horizontal) 방향, 수직(vertical) 방향 및 축(Axial) 방향을 포함하는,
진동 이미지 데이터 형성 방법. - 제 6 항에 있어서,
상기 시간 파형 이미지 데이터를 형성하는 단계는,
상기 다수의 회전기기의 진동 데이터를 제1 축 방향으로 누적하되, 제2 축 방향은 상기 회전기기별 진동 데이터의 차수(order)를 나타내도록 상기 시간 파형 이미지 데이터를 형성하는 단계를 포함하는,
진동 이미지 데이터 형성 방법. - 제 8 항에 있어서,
상기 주파수 스펙트럼 이미지 데이터를 형성하는 단계는,
상기 시간 파형 이미지 데이터를 푸리에 변환(Fourier Transform) 또는 고속 푸리에 변환(Fast Fourier Transform)하는 단계;
상기 푸리에 변환 결과에 기초하여 3차원 그래프(Waterfall)를 형성하는 단계; 및
상기 3차원 그래프에서의 진동크기를 대응하는 색으로 표현하여 상기 주파수 스펙트럼 이미지 데이터를 형성하는 단계를 포함하는,
진동 이미지 데이터 형성 방법. - 제 9 항에 있어서,
상기 3차원 그래프를 형성하는 단계는,
주파수를 나타내는 제3 축, 상기 다수의 센서의 순번을 나타내는 제4 축, 상기 진동크기를 나타내는 제5 축을 포함하도록 상기 3차원 그래프를 형성하는 단계를 포함하는,
진동 이미지 데이터 형성 방법. - 제 6 항 내지 제 10 항 중 어느 한 항에 따른 진동 이미지 데이터 형성 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210009177A KR20220106347A (ko) | 2021-01-22 | 2021-01-22 | 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210009177A KR20220106347A (ko) | 2021-01-22 | 2021-01-22 | 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220106347A true KR20220106347A (ko) | 2022-07-29 |
Family
ID=82606639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210009177A KR20220106347A (ko) | 2021-01-22 | 2021-01-22 | 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220106347A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102633564B1 (ko) * | 2022-09-26 | 2024-02-02 | 서울대학교산학협력단 | 컨볼루션 신경망을 기반으로 파이프 시스템 내 소음원의 위치를 추정하는 방법 및 장치 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090120842A (ko) | 2008-05-21 | 2009-11-25 | 울산대학교 산학협력단 | 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법 |
-
2021
- 2021-01-22 KR KR1020210009177A patent/KR20220106347A/ko active Search and Examination
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090120842A (ko) | 2008-05-21 | 2009-11-25 | 울산대학교 산학협력단 | 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102633564B1 (ko) * | 2022-09-26 | 2024-02-02 | 서울대학교산학협력단 | 컨볼루션 신경망을 기반으로 파이프 시스템 내 소음원의 위치를 추정하는 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102593438B1 (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
| US10664725B2 (en) | Data-efficient reinforcement learning for continuous control tasks | |
| CN110799992B (zh) | 使用模拟和域适配以用于机器人控制 | |
| CN111898635A (zh) | 神经网络的训练方法、数据获取方法和装置 | |
| US10635944B2 (en) | Self-supervised robotic object interaction | |
| CN113826051A (zh) | 生成实体系统零件之间的交互的数字孪生 | |
| US20230090658A1 (en) | Controlling agents using scene memory data | |
| CN113065635A (zh) | 一种模型的训练方法、图像增强方法及设备 | |
| US20190224849A1 (en) | Controlling and commanding an unmanned robot using natural interfaces | |
| CN111950633A (zh) | 神经网络的训练、目标检测方法及装置和存储介质 | |
| KR20220106347A (ko) | 진동 이미지 데이터 형성 시스템 및 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 | |
| US20220391175A1 (en) | Machine learning application deployment using user-defined pipeline | |
| Insaurralde et al. | Capability-oriented robot architecture for maritime autonomy | |
| JP2022547611A (ja) | 道路シーンにおける多様な長期将来軌道のシミュレーション | |
| US11900244B1 (en) | Attention-based deep reinforcement learning for autonomous agents | |
| de BA Barros et al. | Development of a ship classification method based on Convolutional neural network and Cyclostationarity Analysis | |
| Tang et al. | Real-time robot localization, vision, and speech recognition on Nvidia Jetson TX1 | |
| US20230153612A1 (en) | Pruning complex deep learning models based on parent pruning information | |
| KR102475552B1 (ko) | 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체 | |
| Insaurralde et al. | Intelligent autonomy for collaborative intervention missions of unmanned maritime vehicles | |
| Insaurralde | Service-oriented agent architecture for unmanned air vehicles | |
| CN115273814A (zh) | 伪语音检测方法、装置、计算机设备和存储介质 | |
| Gao et al. | Research on fault diagnosis of bearings in walking part of wall‐building robot based on roadside acoustic signal | |
| CN114529010A (zh) | 一种机器人自主学习方法、装置、设备及存储介质 | |
| Jun et al. | Human expertise inspired smart sensing and manufacturing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |