KR20220126567A

KR20220126567A - 블레이드 자동 진단장치 및 진단방법

Info

Publication number: KR20220126567A
Application number: KR1020210031000A
Authority: KR
Inventors: 김정찬
Original assignee: 두산에너빌리티 주식회사
Priority date: 2021-03-09
Filing date: 2021-03-09
Publication date: 2022-09-16
Also published as: KR102522543B1; KR102558577B1; KR20230048499A

Abstract

본 발명은 블레이드의 결함 발생 여부 및 결함 유형을 자동으로 진단할 수 있는 블레이드 자동 진단장치 및 진단방법에 관한 것으로,
본 발명의 실시예에 따른 블레이드 자동 진단장치는,
원형을 이루는 복수개의 블레이드 주위에, 복수개로 이격 설치되어 회전하는 복수개의 블레이드 각각의 도달 시간을 측정하는 측정부; 측정부에 의해 측정된 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성하고, 시계열 패턴을 이미지 처리하여 진동 이미지를 생성하는 전처리부; 시계열 패턴 또는 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 학습하는 학습부; 학습부에서 학습된 정상 특성 범위를 이용하여 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형을 진단하는 진단부;를 포함한다.

Description

블레이드 자동 진단장치 및 진단방법{Automatic diagnosis device and method for blade}

본 발명은 블레이드의 결함 발생 여부 및 결함 유형을 자동으로 진단할 수 있는 블레이드 자동 진단장치 및 진단방법에 관한 것이다.

가스 터빈은 유체의 유동을 이용하여 터빈을 회전시키고 이 터빈의 회전 동력을 연결된 장치에 제공하는 것으로, 터빈은 유체를 터빈의 반경 방향으로 배출하는 원심 터빈 및 유체를 터빈의 회전축과 평행한 방향으로 배출하는 축류 터빈으로 구분된다. 축류 터빈은 원주방향을 따라 배열되고 회전방향에 대해 경사진 다수의 블레이드를 구비한다. 통상적으로 축류 터빈에는 수백 내지 수천개의 블레이드가 구비된다.

이와 같이 축류 터빈에는 다수의 블레이드가 구비되는데, 이들 블레이드는 큰 힘을 받으면서 고속으로 회전운동하기 때문에, 아주 작은 요인에 의해서도 블레이드의 파손이나 변형과 같은 결함이 발생할 수 있다. 다수의 블레이드 중 일부, 심지어 하나의 블레이드에 결함이 발생해도 터빈의 장치 성능이 상당히 저하될 수 있고, 결함이 있는 블레이드로 인해 회전체의 균형이 깨져 장치 전체에 치명적인 파손이 유발될 수 있다.

이에 따라, 블레이드의 결함 유무와 위치를 신속하고 정확하게 검출하는 것이 중요한데, 인력 또는 장비에 의한 통상적인 시각적 검출 방법은 장치의 운전 중에는 블레이드가 고속으로 회전함으로 인해 결함을 확인하기가 어렵고, 장치의 운전을 중지시킨 상태에서만 정확한 검사가 가능하다. 더욱이, 덕트의 내부에 매우 많은 블레이드가 다수의 열을 이루어 설치되는 터빈의 경우, 운전을 중지시킨 상태에서도 블레이드의 결함 여부 및 위치를 확인하기가 매우 어렵고, 장치를 분해해야만 확인이 가능하다. 이는 장치의 유지보수 비용을 크게 상승시키는 문제가 있다.

상기에서 터빈의 블레이드에 대해 설명한 것이나, 압축기 블레이드에도 동일하게 적용될 수 있다.

한국공개특허 10-2019-0037643호

본 발명은 블레이드의 결함 발생 여부 및 결함 유형을 자동으로 진단할 수 있는 블레이드 자동 진단장치 및 진단방법을 제공하는 것을 목적으로 한다.

본 발명의 실시예에 따른 블레이드 자동 진단장치는,

원형을 이루는 복수개의 블레이드 주위에, 복수개로 이격 설치되어 회전하는 복수개의 블레이드 각각의 도달 시간을 측정하는 측정부; 측정부에 의해 측정된 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성하고, 시계열 패턴을 이미지 처리하여 진동 이미지를 생성하는 전처리부; 시계열 패턴 또는 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 학습하는 학습부; 학습부에서 학습된 정상 특성 범위를 이용하여 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형을 진단하는 진단부;를 포함한다.

본 발명의 실시예에 따른 블레이드 자동 진단장치에 있어서, 측정부는 블레이드의 회전에 의해 생기는 블레이드의 단부 팁의 편향에 따른 도달 시간을 측정하는 팁 타이밍 센서를 포함할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단장치에 있어서, 시계열 패턴은, 복수개의 블레이드 각각의 도달 시간을 시간 순으로 정리한 제1 시계열 패턴과, 제1 시계열 패턴을 도식화한 제2 시계열 패턴을 포함하며, 진동 이미지는 제2 시계열 패턴을 일렬로 배치하고 이미지 처리하여 생성될 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단장치에 있어서, 학습부는, 복수개의 블레이드 각각의 정적 특성을 학습하는 정특성 학습 모듈과, 복수개의 블레이드 각각의 위상 특성을 학습하는 위상특성 학습 모듈과, 복수개의 블레이드 각각의 동적 특성을 학습하는 동특성 학습 모듈을 포함할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단장치에 있어서, 정적 특성은 복수개의 블레이드 각각의 변형 여부에 대한 정보이며, 정특성 학습 모듈은 시계열 패턴에 포함된 각각의 진동 정보를 누적하여 생성된 블레이드 스택 패턴으로부터 정상 특성 범위를 학습할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단장치에 있어서, 위상 특성은 복수개의 블레이드 간의 위상차 정보이며, 위상특성 학습 모듈은 복수개의 블레이드 각각의 진동 정보를 합하여 유사한 진동 정보를 갖는 복수개의 위상 그룹으로 분류하고, 복수개의 위상 그룹이 이루는 위상 패턴으로부터 복수개의 블레이드의 진동 유형을 학습할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단장치에 있어서, 동적 특성은 운전 조건에 따른 블레이드 특성 변화에 대한 정보이며, 동특성 학습 모듈은 아래 식 (1)의 블레이드 진동 모델을 이용하여 복수개의 블레이드 각각의 동적 특성을 학습할 수 있다.

식 (1) :

(여기서, D0는 블레이드의 구조적 강성을 의미하는 파라미터, A1은 공기 역학적 댐핑을 의미하는 파라미터, A0는 블레이드의 공기 역학적 강성을 의미하는 파라미터, F는 공력을 의미하는 파라미터)

본 발명의 실시예에 따른 블레이드 자동 진단방법은, 다음의 단계들을 실행하는 컴퓨팅 장치에 의해 수행될 수 있다. 블레이드 자동 진단방법은, 복수개의 블레이드 각각의 도달 시간을 측정하는 단계; 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성하고, 시계열 패턴을 이미지 처리하여 진동 이미지를 생성하는 단계; 시계열 패턴 또는 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 학습하는 단계; 학습된 정상 특성 범위를 이용하여 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형을 진단하는 단계;를 포함한다.

본 발명의 실시예에 따른 블레이드 자동 진단방법에 있어서, 측정하는 단계는, 블레이드의 회전에 의해 생기는 블레이드의 단부 팁의 편향에 따른 도달 시간을 측정할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단방법에 있어서, 시계열 패턴은, 복수개의 블레이드 각각의 도달 시간을 시간 순으로 정리한 제1 시계열 패턴과, 제1 시계열 패턴을 도식화한 제2 시계열 패턴을 포함하며, 진동 이미지는 제2 시계열 패턴을 일렬로 배치하고 이미지 처리하여 생성될 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단방법에 있어서, 학습하는 단계는, 복수개의 블레이드 각각의 정적 특성을 학습하는 정특성 학습 단계, 복수개의 블레이드 각각의 위상 특성을 학습하는 위상 학습 단계, 복수개의 블레이드 각각의 동적 특성을 학습하는 동특성 학습 단계를 포함할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단방법에 있어서, 정적 특성은 복수개의 블레이드 각각의 변형 여부에 대한 정보이며, 정특성 학습 단계는 시계열 패턴에 포함된 각각의 진동 정보를 누적하여 생성된 블레이드 스택 패턴으로부터 정상 특성 범위를 학습할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단방법에 있어서, 위상 특성은 복수개의 블레이드 간의 위상차 정보이며, 위상 학습 단계는 복수개의 블레이드 각각의 진동 정보를 합하여 유사한 진동 정보를 갖는 복수개의 위상 그룹으로 분류하고, 복수개의 위상 그룹이 이루는 위상 패턴으로부터 복수개의 블레이드의 진동 유형을 학습할 수 있다.

본 발명의 실시예에 따른 블레이드 자동 진단방법에 있어서, 동적 특성은 운전 조건에 따른 블레이드 특성 변화에 대한 정보이며, 동특성 학습 단계는 아래 식 (1)의 블레이드 진동 모델을 이용하여 복수개의 블레이드 각각의 동적 특성을 학습할 수 있다.

식 (1) :

기타 본 발명의 다양한 측면에 따른 구현예들의 구체적인 사항은 이하의 상세한 설명에 포함되어 있다.

본 발명의 실시 형태에 따르면, 블레이드의 결함 발생 여부 및 결함 유형을 자동으로 진단할 수 있다.

도 1은 본 발명의 일 실시예에 따른 블레이드 자동 진단장치가 도시된 블록도이다.
도 2는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 측정부가 도시된 도면이다.
도 3은 측정부가 복수개의 블레이드 각각의 도달시간을 측정하는 과정이 도시된 도면이다.
도 4는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 전처리부에서 생성된 시계열 패턴이 예시된 도면이다.
도 5는 시계열 패턴을 이미지 처리하여 생성된 진동 이미지가 예시된 도면이다.
도 6a는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 학습부에서 학습하는 누적 진동 패턴이 예시된 도면이다.
도 6b는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 학습부의 학습 결과를 이용하여 진단부에서 진단하는 블레이드의 변형 여부에 대한 진단 예시가 도시된 도면이다.
도 7 내지 도 9는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 학습부에서 학습하는 위상 패턴이 예시된 도면이다.
도 10은 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 학습부에서 학습하는 동적 특성 패턴이 예시된 도면이다.
도 11은 본 발명의 일 실시예에 따른 블레이드 자동 진단방법이 도시된 순서도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 이하, 도면을 참조하여 본 발명의 실시예에 따른 블레이드 자동 진단장치 및 진단방법을 설명한다.

도 1은 본 발명의 일 실시예에 따른 블레이드 자동 진단장치가 도시된 블록도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 블레이드 자동 진단장치는, 측정부(100), 전처리부(200), 학습부(300), 진단부(400), 제어부(500)를 포함한다. 제어부(500)는 측정부(100), 전처리부(200), 학습부(300), 진단부(400) 간의 동작 제어를 수행한다.

측정부(100)는 원형을 이루는 복수개의 블레이드(B) 주위에 복수개로 배치된다. 블레이드(B)는 가스 터빈의 압축기에 장착되는 압축기 블레이드 또는 가스 터빈의 터빈에 장착되는 터빈 블레이드일 수 있다.

도 2는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 측정부가 도시된 도면이다. 도 2에 도시된 바와 같이, 측정부(100)는 팁 타이밍 센서(Tip Timing Sensor, S)를 포함한다. 팁 타이밍 센서(S)는, 원형을 이루는 복수개의 블레이드(B) 주위에, 복수개로 이격 설치되어 회전하는 복수개의 블레이드 단부 팁(Tip) 각각이 센서 하부에 도달하는 시간(이하, "도달 시간"이라 함)을 측정한다. 또한, 팁 타이밍 센서는 블레이드(B)의 단부 팁(Tip)과 센서 간의 거리를 측정할 수 있다. 도 2에서 3개의 팁 타이밍 센서(S)를 예시하고 있으나, 팁 타이밍 센서는 복수개의 블레이드(B) 주위에 걸쳐서 골고루 복수개로 설치될 수 있다.

도 3은 측정부가 복수개의 블레이드 각각의 도달시간을 측정하는 과정이 도시된 도면이다. 도 3을 참조하여 팁 타이밍 센서가 도달 시간을 측정하는 과정을 설명한다. 도 3의 (a)에 도시된 바와 같이, 팁 타이밍 센서(S)는 각각의 블레이드(B1 ~ B3)가 하부를 지날 때 마다 도달 시간을 측정한다. 예를 들어, 블레이드 디스크(D)에 30개의 블레이드가 장착되고 블레이드 디스크(D)의 분당 회전수(RPM)가 60인 경우, 각각의 팁 타이밍 센서(S)는 각각의 블레이드에 대해 1분에 60개의 도달 시간을 측정하여, 총 1,800개의 도달 시간을 측정한다. 팁 타이밍 센서(S)가 블레이드(B) 주위에 10개가 배치될 경우, 총 18,000개의 도달 시간을 측정한다.

도 3의 (b)는 각각의 블레이드(B1 ~ B3)가 블레이드의 형상 변화없이 회전되는 경우, 어느 하나의 팁 타이밍 센서(S)에 의해 측정된 각각의 블레이드(B1 ~ B3) 도달 시간을 개념적으로 도시하고 있다. 한편, 설계에 의해 분당 회전수에 따라 각각의 블레이드가 팁 타이밍 센서에 의해 측정되는 도달 시간은 미리 정해질 수 있는데, 설계에 의해 미리 정해지는 도달 시간을 기준 시간이라 하며, 도 3의 (b)는 각각의 블레이드(B1 ~ B3)의 도달 시간이 기준 시간(t1, t2, t3)에 대응하는 것을 도시하고 있다.

실제 운전시, 블레이드(B1 ~ B3)는 블레이드 디스크(D)의 회전에 의한 원심력 및 유체 유동에 의한 힘, 열변형력 등을 받아서 도 3의 (c)와 같이, 블레이드(B1 ~ B3)의 단부 팁은 원래 위치를 유지하지 못하고 휘어서 편향(deflection)하게 된다. 이에 따라, 블레이드(B1 ~ B3)의 단부 팁 도달 시간은 원래의 설계에 따른 기준 시간이 되지 못하고, 단부 팁의 편향에 따라 도달 시간은 달라지게 된다. 편향은 어느 일 방향에 한정되지 않고, 랜덤한 방향일 수 있다.

도 3의 (c)에서, 블레이드(B1)은 기준 시간에 도달(t1'= t1)한 것을 예시하고, 블레이드(B2)는 기준 시간보다 늦게 도달(t2'= t2 + Δt)한 것을 예시하며, 블레이드(B3)는 기준 시간보다 빨리 도달(t3'= t3 - Δt)한 것을 예시하고 있다. Δt는 블레이드의 휨에 의한 기준 시간 대비 도달 시간의 차이이다.

이와 같이, 측정부(100)에서 측정된, 복수개의 블레이드 각각의 도달 시간은 전처리부(200)로 전송된다.

도 4는 본 발명의 일 실시예에 따른 블레이드 자동 진단장치의 전처리부에서 생성된 시계열 패턴이 예시된 도면이다. 전처리부(200)는 측정부(100)에 의해 측정된 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성한다. 여기서, 진동 정보는 블레이드(B1 ~ B3)의 단부 팁이 원래 위치를 유지하지 못하고 편향되는 것을 의미하며, 기준 시간을 기준으로 도달 시간의 편차를 의미할 수 있다. 구체적으로, 블레이드 진동(블레이드 Deflection, 변위라고도 함)은, "Δt X RPM(분당 회전 속도)" 로 정의될 수 있다. RPM은 블레이드가 장착된 로터의 회전 속도이다.

전처리부(200)는 복수개의 팁 타이밍 센서 각각에서 전송된 각각의 블레이드(B1 ~ Bn)의 도달 시간을 도 4의 (a)와 같이 시간 순으로 정리하여 제1 시계열 패턴을 생성하고, 이를 이용하여 도 4의 (b)와 같이 제1 시계열 패턴을 도식화한 제2 시계열 패턴을 생성한다. 도 4에 예시된 시계열 패턴은 팁 타이밍 센서의 개수와 대응하여 생성된다.

도 5는 제2 시계열 패턴을 이미지 처리하여 생성된 진동 이미지가 예시된 도면이다. 전처리부(200)는 생성된 제2 시계열 패턴을 이미지 처리하여 진동 이미지를 생성한다. 전처리부(200)는 하나의 블레이드 디스크(D)에 장착된 모든 블레이드(B1 ~ Bn)의 제2 시계열 패턴을 일렬로 배치하여 이미지 처리한다. 도 5에 예시된 진동 이미지에서 가로축은 시간이며, 세로축은 개별 블레이드 번호이다. 대각선으로 표시된 R은 시간의 따른 RPM의 변화를 나타내며, 좌측에서 우측으로 갈수록 RPM이 감소되는 것을 의미한다. 도 5에 예시된 진동 이미지는 하나의 팁 타이밍 센서의 측정값으로부터 생성된 진동 이미지이며, 이러한 진동 이미지는 팁 타이밍 센서의 개수와 대응하여 생성된다.

전처리부(200)에서 생성된 시계열 패턴과 진동 이미지는 학습부(300)로 전송된다.

학습부(300)는 시계열 패턴 또는 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 기계 학습한다. 학습부(300)는 블레이드의 정적 특성을 학습하는 정특성 학습 모듈(310)과, 블레이드의 위상 특성을 학습하는 위상특성 학습 모듈(320)과, 블레이드의 동적 특성을 학습하는 동특성 학습 모듈(330)을 포함한다.

정특성 학습 모듈(310)은 시계열 학습 데이터로부터 정상 특성 범위를 학습하고, 실제 데이터를 시계열로 분석하여 블레이드의 정적 특성이 정상 특성 범위를 벗어나면 이상(블레이드의 변형)이 발생한 것으로 판단하는 시계열 비지도형 학습 모델을 포함한다. 블레이드의 정적 특성은 블레이드의 변형 여부에 대한 정보로, 블레이드 팁의 손상, 블레이드의 축방향 이동(축이탈) 등을 포함한다.

예를 들어, 정특성 학습 모듈(310)은 각각의 블레이드에 대한 선형 회귀 분석(Linear Regression Analysis)을 수행하여 선형 회귀 모델을 만들 수 있다. 학습부(300)는 선형 회귀 모델을 통해 블레이드의 정적 특성 패턴을 학습할 수 있다. 물론, 상기 선형 회귀 분석은 시계열 비지도 학습 모델의 일 종류일 뿐, 본 발명이 이에 한정되는 것은 아니다. 예를 들어, LSTM(long short term memory) 모델, 가우시안(Gaussian) 확산 모델 등이 있다.

정특성 학습 모듈(310)은 제1 시계열 패턴에 포함된 각각의 블레이드의 진동 정보를 누적하여, 도 6a에 도시된 바와 같은 블레이드 스택(stack) 패턴을 생성한다. 도 6a는 블레이드 스택 패턴을 기반으로 정특성 학습 모듈(310)에서 학습된 정상 특성 범위를 예시한다. 도 6a의 블레이드 스택 패턴에서 가로축은 동일한 블레이드 디스크(D)에 장착된 복수개의 블레이드 고유 번호이고, 세로축은 블레이드 진동 정보이다. 세로축 값 0은 도달 시간이 기준 시간에 해당하는 경우이고, 세로축 값이 (+)값이면 일방향 진동, (-)값이면 타방향 진동을 의미한다. 일정 기간동안 수집된 진동 정보가 누적된 블레이드 스택 패턴은 각각의 블레이드 마다 고유한 정상 특성 범위를 가진다.

블레이드 스택 패턴을 통해 정특성 학습 모듈(310)에서 학습된 각각의 정상 특성 범위는, 진단부(400)에서 실제 운용 중인 블레이드의 변형 여부에 대한 판단 기준이 된다.

도 6b는 정특성 학습 모듈(310)의 학습 결과를 이용하여 진단부(400)에서 진단하는 블레이드의 변형 여부에 대한 진단 예시로, 8번 블레이드가 정상 특성 범위에서 벗어난 것을 확인할 수 있다.

위상특성 학습 모듈(320)은 진동 이미지를 학습 데이터로 하여 블레이드의 위상 특성을 학습한다. 블레이드의 위상 특성은 동일 RPM에서의 블레이드 간의 위상차 정보로, 위상차 정보로부터 동기 진동, 비동기 진동, 플러터(Flutter) 등의 블레이드의 진동 유형을 학습한다.

예를 들어, 위상특성 학습 모듈(320)은 합성곱 신경망 모델(Convolutional Neural Network, CNN)을 이용하여 이미지 기반 기계 학습을 수행할 수 있다. 물론, 이에 한정되지 않고 이미지 기반으로 기계 학습을 수행하는 학습 모델이면 어떤 모델을 이용하여도 무방하다.

도 7의 (a)에서 동일 RPM에서의 모든 블레이드의 진동 정보를 합치면, 도 7의 (b)와 같이 적어도 하나의 어느 블레이드는 적어도 하나의 다른 블레이드와 유사한 진동값을 갖게 되어 복수개의 위상 그룹으로 분류될 수 있다. 도 7의 (a)에서 세로축은 블레이드 번호이고, 가로축은 시간이다. 복수개의 위상 그룹이 이루는 위상 패턴은 다시 복수개의 유형으로 분류될 수 있으며, 위상 패턴 유형에 따라 동기 진동, 비동기 진동, 버펫(Buffet), 플러터(Flutter) 등의 블레이드의 진동 유형을 학습할 수 있다.

예를 들어, 도 7의 (b)는 동기 진동의 위상 패턴 유형이며, 따라서 위상특성 학습 모듈(320)은 분석 대상의 블레이드들은 동기 진동을 하고 있음을 학습할 수 있다.

한편, 도 7의 (b)는 1개의 팁 타이밍 센서 측정값을 이용하여 추출된 이상적인(ideal) 동기 진동의 위상 패턴 유형이며, 실제 운전시의 분석 대상 블레이드들의 위상 패턴 유형은 도 8에 예시된 바와 같다.

도 8은, 복수개의 팁 타이밍 센서 측정값을 이용하여 추출된 위상 패턴이며, 도 8의 예시에서 위아래로 볼록한 형상 부분(A)은 다른 부분(C) 보다 진동이 크나 진동 패턴이 일정한 형상을 형성되는 동기 진동 패턴이고, 검정 색상 부분(B)은 다른 부분(C) 보다 진동이 크나 진동 패턴이 랜덤하게 형성되는 비동기 진동 패턴이다. 위상특성 학습 모듈(320)은, 도 8의 예시 이미지(학습 데이터)에서 1개의 동기 진동 패턴과 3개의 비동기 진동 패턴이 있음을 학습할 수 있다.

한편, 도 9는 비동기 진동 패턴의 일 종류인 Buffet의 진동 패턴이 도시된 도면으로, Waterfall plot으로 그려진 Buffet의 진동 패턴이다. 도 9에서 가로축은 Observed Engine Order이고, 세로축은 시간이다. 적색 라인(RL)을 기준으로 아래 위에는 정상적인 진동 패턴이나, 적색 라인(RL) 부분은 진동이 크게 발생하는 Buffet 진동 패턴이다. 위상특성 학습 모듈(320)은 도 9의 예시 이미지(학습 데이터)에서 적색 라인(RL) 부분과 대응하는 시간에 Buffet 진동 패턴이 있음을 학습할 수 있다.

위상특성 학습 모듈(320)은 이러한 다양한 진동 이미지를 학습 데이터로 하여 블레이드의 위상 특성을 학습한다.

동특성 학습 모듈(330)은 시계열 학습 데이터(제1 시계열 패턴)로부터 운전 조건에 따른 블레이드의 동적 특성을 학습한다. 블레이드의 동적 특성은 운전 조건에 따른 블레이드 특성 변화에 대한 정보로, 운전 조건은 RPM, 터빈의 출력 크기, 압축기로 유입된 공기를 최초로 가이드하는 IGV(Inlet Guide Vane)의 각도 등을 포함한다. 블레이드의 동적 특성으로부터 블레이드의 강성 변화, 크랙(Crack) 발생 여부, 크랙(Crack)의 확장 여부, 블레이드의 공기 역학적 강성(Aerodynamic Stiffness) 변화 등을 판단한다.

동적 특성에 따른 블레이드 진동 모델은 다음 식 (1)과 같다.

식 (1) :

D0는 블레이드의 구조적 강성을 의미하는 파라미터로, D0 값으로부터 각각의 블레이드 강성 변화, 크랙(Crack) 발생 여부, 크랙(Crack)의 확장 여부를 학습할 수 있다.

A1은 공기 역학적 댐핑(Aerodynamic Damping)을 의미하는 파라미터로, A1 값으로부터 각각의 블레이드의 공기 역학적 댐핑 변화를 학습하여 플러터(Flutter) 발생 여부를 학습할 수 있다.

A0는 블레이드의 공기 역학적 강성을 의미하는 파라미터로, A0 값으로부터 각각의 블레이드의 공기 역학적 강성(Aerodynamic Stiffness) 변화를 학습하여 플러터(Flutter) 발생 여부를 학습할 수 있다.

F는 공력(Aero Forcing)을 의미하는 파라미터로, 각각의 블레이브 별로 공력 변화를 학습하여 플러터(Flutter) 발생 여부 및 공진 발생 여부를 학습할 수 있다.

I는 질량행렬(Mass matrix)에 질량 정규화된 모드 형상(Mass normalized mode shape)을 곱해서 만든 단위 행렬(Identify matrix)이다.

도 10에는, 동특성 학습 모듈(330)의 학습 결과, 학습된 동적 특성 패턴이 예시되어 있다. 도 10의 (a)는 블레이드의 구조적 강성 특성 패턴을 보여주고, 도 10의 (b)는 블레이드의 공기 역학적 강성 특성 패턴을 보여준다. 도 10을 참조하면, 복수개의 블레이드 각각은 고유의 동특성을 가지고 있으며, 각각의 블레이드가 고유의 동특성 범위 내에 있으면, 결함이 없는 정상 블레이드로 학습한다.

동적 특성에 따른 블레이드 진동 모델에 의해 동특성 학습 모듈(330)에서 학습된 각각의 정상 특성 범위는, 진단부(400)에서 실제 운용 중인 블레이드의 동적 특성에 대한 판단 기준이 된다.

이상과 같이, 팁 타이밍 센서로 측정된 회전하는 복수개의 블레이드 각각의 도달 시간을 측정하고, 측정된 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴 및 진동 이미지를 생성하고, 시계열 패턴을 학습 데이터로 기계 학습하여 블레이드의 정상 정적 특성 범위와 운전 조건에 따른 블레이드의 정상 동적 특성 범위를 학습하고, 진동 이미지를 학습 데이터로 기계 학습하여 블레이드의 진동 유형을 학습할 수 있다.

이와 같이 학습된 정보(정상 특성 범위, 진동 유형)는 진단부(400)에서의 진단을 위한 판단 기준이 된다.

전술한 설명에서, 학습부(300)는 결함이 없는 정상 상태의 복수개의 블레이드에 대해 측정하여 획득한 도달 시간을 이용하여 생성된 시계열 패턴 및 진동 이미지를 학습 데이터로 학습하여, 정상 특성 범위를 학습한다.

학습부(300)의 학습 이후, 진단부(400)는 학습부에서 학습된 정상 특성 범위를 이용하여 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형, 진동 유형을 자동으로 진단하게 된다.

다음, 도 11를 참조하여 본 발명의 일 실시예에 따른 블레이드 자동 진단방법을 설명한다.

도 11를 참조하면, 본 발명의 일 실시예에 따른 블레이드 자동 진단방법은, 복수개의 블레이드 각각의 도달 시간을 측정하는 단계(S100), 시계열 패턴과 진동 이미지를 생성하는 단계(S200), 복수개의 블레이드 각각에 대한 정상 특성 범위를 학습하는 단계(S300), 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형을 진단하는 단계(S400)를 포함한다.

S100 단계는, 원형을 이루는 복수개의 블레이드(B) 주위에 복수개로 배치된 팁 타이밍 센서(S)를 포함하는 측정부(100)에 의해 수행된다. 팁 타이밍 센서(S)는, 원형을 이루는 복수개의 블레이드(B) 주위에, 복수개로 이격 설치되어 회전하는 복수개의 블레이드 단부 팁(Tip) 각각이 센서 하부에 도달하는 시간을 측정한다.

S200 단계는, 전처리부(200)에서 수행되며, 측정부(100)에 의해 측정된 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성한다. 전처리부(200)는 복수개의 팁 타이밍 센서 각각에서 전송된 각각의 블레이드(B1 ~ Bn)의 도달 시간을 시간 순으로 정리하여 제1 시계열 패턴을 생성하고, 이를 이용하여 제1 시계열 패턴을 도식화한 제2 시계열 패턴을 생성한다. 또한, 전처리부(200)는 하나의 블레이드 디스크(D)에 장착된 모든 블레이드(B1 ~ Bn)의 제2 시계열 패턴을 일렬로 배치하여 이미지 처리한다.

S300 단계는, 학습부(300)에서 수행되며, 전처리부(200)에서 생성된 시계열 패턴 또는 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 기계 학습한다.

S300 단계는, 정특성 학습 단계(S310), 위상특성 학습 단계(S320), 동특성 학습 단계(S330)를 포함한다.

정특성 학습 단계(S310)에서, 시계열 학습 데이터로부터 정상 특성 범위를 학습하고, 실제 데이터를 시계열로 분석하여 블레이드의 정적 특성이 정상 특성 범위를 벗어나면 이상(블레이드의 변형)이 발생한 것으로 판단하는 시계열 비지도형 학습을 수행한다.

정특성 학습 단계(S310)에서, 제1 시계열 패턴에 포함된 각각의 블레이드의 진동 정보를 누적하여, 블레이드 스택(stack) 패턴을 생성하고, 블레이드 스택 패턴을 기반으로 정상 특성 범위를 학습한다.

위상특성 학습 단계(S320)에서, 진동 이미지를 학습 데이터로 하여 블레이드의 위상 특성을 학습한다. 블레이드의 위상 특성은 동일 RPM에서의 블레이드 간의 위상차 정보로, 위상차 정보로부터 동기 진동, 비동기 진동, 플러터(Flutter) 등의 블레이드의 진동 유형을 판단한다.

동특성 학습 단계(S330)에서, 시계열 학습 데이터(제1 시계열 패턴)로부터 운전 조건에 따른 블레이드의 동적 특성을 학습한다. 이때, 전술한 식 (1)의 동적 특성에 따른 블레이드 진동 모델을 이용하여 블레이드의 동적 특성을 학습한다.

이와 같이 S300 단계에서 학습된 정보(정상 특성 범위, 진동 유형)는 S400 단계에서 진단부(400)의 진단을 위한 판단 기준이 된다.

이상, 본 발명의 일 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다.

100 : 측정부 200 : 전처리부
300 : 학습부 400 : 진단부
310 : 정특성 학습 모듈 320 : 위상특성 학습 모듈
330 : 동특성 학습 모듈
B : 블레이드 S : 팁 타이밍 센서

Claims

원형을 이루는 복수개의 블레이드 주위에, 복수개로 이격 설치되어 회전하는 복수개의 블레이드 각각의 도달 시간을 측정하는 측정부;
상기 측정부에 의해 측정된 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성하고, 상기 시계열 패턴을 이미지 처리하여 진동 이미지를 생성하는 전처리부;
상기 시계열 패턴 또는 상기 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 학습하는 학습부;
상기 학습부에서 학습된 정상 특성 범위를 이용하여 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형을 진단하는 진단부;
를 포함하는 블레이드 자동 진단장치.
청구항 1에 있어서, 상기 측정부는,
상기 블레이드의 회전에 의해 생기는 상기 블레이드의 단부 팁의 편향에 따른 도달 시간을 측정하는 팁 타이밍 센서인 블레이드 자동 진단장치.
청구항 1에 있어서, 상기 시계열 패턴은,
상기 복수개의 블레이드 각각의 도달 시간을 시간 순으로 정리한 제1 시계열 패턴과,
상기 제1 시계열 패턴을 도식화한 제2 시계열 패턴을 포함하며,
상기 진동 이미지는 상기 제2 시계열 패턴을 일렬로 배치하고 이미지 처리하여 생성되는 블레이드 자동 진단장치.
청구항 1에 있어서, 상기 학습부는,
상기 복수개의 블레이드 각각의 정적 특성을 학습하는 정특성 학습 모듈과,
상기 복수개의 블레이드 각각의 위상 특성을 학습하는 위상특성 학습 모듈과,
상기 복수개의 블레이드 각각의 동적 특성을 학습하는 동특성 학습 모듈
을 포함하는 블레이드 자동 진단장치.
청구항 4에 있어서,
상기 정적 특성은 상기 복수개의 블레이드 각각의 변형 여부에 대한 정보이며,
상기 정특성 학습 모듈은 상기 시계열 패턴에 포함된 각각의 진동 정보를 누적하여 생성된 블레이드 스택 패턴으로부터 정상 특성 범위를 학습하는 블레이드 자동 진단장치.
청구항 4에 있어서,
상기 위상 특성은 상기 복수개의 블레이드 간의 위상차 정보이며,
상기 위상특성 학습 모듈은 상기 복수개의 블레이드 각각의 진동 정보를 합하여 유사한 진동 정보를 갖는 복수개의 위상 그룹으로 분류하고, 상기 복수개의 위상 그룹이 이루는 위상 패턴으로부터 상기 복수개의 블레이드의 진동 유형을 학습하는 블레이드 자동 진단장치.
청구항 4에 있어서,
상기 동적 특성은 운전 조건에 따른 블레이드 특성 변화에 대한 정보이며,
상기 동특성 학습 모듈은 아래 식 (1)의 블레이드 진동 모델을 이용하여 상기 복수개의 블레이드 각각의 동적 특성을 학습하는 블레이드 자동 진단장치.
식 (1) :

(여기서, D0는 블레이드의 구조적 강성을 의미하는 파라미터, A1은 공기 역학적 댐핑을 의미하는 파라미터, A0는 블레이드의 공기 역학적 강성을 의미하는 파라미터, F는 공력을 의미하는 파라미터)
컴퓨팅 장치에 의해 수행되며,
복수개의 블레이드 각각의 도달 시간을 측정하는 단계;
상기 복수개의 블레이드 각각의 도달 시간을 기반으로 복수개의 블레이드 각각의 진동 정보를 포함하는 시계열 패턴을 생성하고, 상기 시계열 패턴을 이미지 처리하여 진동 이미지를 생성하는 단계;
상기 시계열 패턴 또는 상기 진동 이미지를 학습 데이터로 하여 복수개의 블레이드 각각에 대한 정상 특성 범위를 학습하는 단계;
상기 학습된 정상 특성 범위를 이용하여 실제 운용 중인 복수개의 블레이드 각각의 결함 발생 여부 및 결함 유형을 진단하는 단계;
를 포함하는 블레이드 자동 진단방법.
청구항 8에 있어서, 상기 측정하는 단계는,
상기 블레이드의 회전에 의해 생기는 상기 블레이드의 단부 팁의 편향에 따른 도달 시간을 측정하는 블레이드 자동 진단방법.
청구항 8에 있어서, 상기 시계열 패턴은,
상기 복수개의 블레이드 각각의 도달 시간을 시간 순으로 정리한 제1 시계열 패턴과,
상기 제1 시계열 패턴을 도식화한 제2 시계열 패턴을 포함하며,
상기 진동 이미지는 상기 제2 시계열 패턴을 일렬로 배치하고 이미지 처리하여 생성되는 블레이드 자동 진단방법.
청구항 8에 있어서, 상기 학습하는 단계는,
상기 복수개의 블레이드 각각의 정적 특성을 학습하는 정특성 학습 단계,
상기 복수개의 블레이드 각각의 위상 특성을 학습하는 위상 학습 단계,
상기 복수개의 블레이드 각각의 동적 특성을 학습하는 동특성 학습 단계
를 포함하는 블레이드 자동 진단방법.
청구항 11에 있어서,
상기 정적 특성은 상기 복수개의 블레이드 각각의 변형 여부에 대한 정보이며,
상기 정특성 학습 단계는 상기 시계열 패턴에 포함된 각각의 진동 정보를 누적하여 생성된 블레이드 스택 패턴으로부터 정상 특성 범위를 학습하는 블레이드 자동 진단방법.
청구항 11에 있어서,
상기 위상 특성은 상기 복수개의 블레이드 간의 위상차 정보이며,
상기 위상 학습 단계는 상기 복수개의 블레이드 각각의 진동 정보를 합하여 유사한 진동 정보를 갖는 복수개의 위상 그룹으로 분류하고, 상기 복수개의 위상 그룹이 이루는 위상 패턴으로부터 상기 복수개의 블레이드의 진동 유형을 학습하는 블레이드 자동 진단방법.
청구항 11에 있어서,
상기 동적 특성은 운전 조건에 따른 블레이드 특성 변화에 대한 정보이며,
상기 동특성 학습 단계는 아래 식 (1)의 블레이드 진동 모델을 이용하여 상기 복수개의 블레이드 각각의 동적 특성을 학습하는 블레이드 자동 진단방법.
식 (1) :

(여기서, D0는 블레이드의 구조적 강성을 의미하는 파라미터, A1은 공기 역학적 댐핑을 의미하는 파라미터, A0는 블레이드의 공기 역학적 강성을 의미하는 파라미터, F는 공력을 의미하는 파라미터)