KR20230096720A

KR20230096720A - Learning data generation system for reducer defect

Info

Publication number: KR20230096720A
Application number: KR1020210186498A
Authority: KR
Inventors: 고대권; 김무림; 김종걸; 신주성; 이상웅
Original assignee: 한국로봇융합연구원
Priority date: 2021-12-23
Filing date: 2021-12-23
Publication date: 2023-06-30

Abstract

Disclosed is a learning data generation system for reducer failure diagnosis, which includes: a target reducer disposed between an input shaft and a rotation shaft and transmitting the rotational force of the input shaft to the rotation shaft; a vibration sensor unit located on one side of the target reducer to measure the vibration of the target reducer and generate vibration data; and a data processing unit which receives the vibration data and generates divided data by dividing the vibration data at a preset period. Therefore, high-quality data which can be used to diagnose reducer failure can be obtained.

Description

Learning data generation system for reducing gear failure diagnosis {LEARNING DATA GENERATION SYSTEM FOR REDUCER DEFECT}

본 발명은 학습 데이터를 생성하는 시스템에 관한 것이다.The present invention relates to a system for generating learning data.

특히 감속기의 고장 진단을 위한 학습 데이터를 생성하는 시스템에 관한 것이다.In particular, it relates to a system for generating learning data for diagnosing a gearbox failure.

인공지능과 빅데이터는 산업 현장을 바꾸고 있다.Artificial intelligence and big data are changing the industrial field.

인간의 두뇌를 모방하여 스스로 학습하고, 스스로 생각하는 컴퓨터인 인공지능은 컴퓨터 산업이 발달되며 자연스럽게 대두되었다. 인공지능은 가상의 공간 그리고 먼 미래에 존재할 것으로 인식되었으나, 2016년 알파고의 등장으로 인공지능의 가능성을 확인하게 되었다.Artificial intelligence, which is a computer that learns and thinks on its own by imitating the human brain, naturally emerged as the computer industry developed. Artificial intelligence was recognized to exist in a virtual space and in the distant future, but with the advent of AlphaGo in 2016, the possibility of artificial intelligence was confirmed.

한편, 빅데이터는 규모가 방대한 데이터를 의미하는데 이 기술은 클라우드 컴퓨팅 환경의 급속한 발전에 따라 급속하게 발전될 수 있었다. 빅데이터 기술의 발전됨에 따라 이를 기반으로 인공지능도 발전할 수 있었다. On the other hand, big data refers to data of enormous scale, and this technology has been able to rapidly develop in accordance with the rapid development of the cloud computing environment. With the development of big data technology, artificial intelligence could also develop based on it.

즉, 인공지능은 방대한 양의 빅데이터로 인하여 학습하고, 이를 기반으로 스스로 터득하는 반복 학습을 통하여 지속적으로 강화하여 보다 정교해질 수 있었다. In other words, artificial intelligence was able to learn from a vast amount of big data and become more sophisticated by continuously strengthening it through repeated learning based on this.

이처럼 인공지능의 발전은 빅데이터가 매우 중요할 것이다. 그러나 더 중요한 것은 빅데이터의 질일 것이다. As such, big data will be very important for the development of artificial intelligence. But perhaps more important is the quality of big data.

예를 들어 동일한 알고리즘을 가지는 인공지능이라도 학습되는 데이터의 질과 양에서 차이가 있다면 당연하게도 더 좋은 질과 양의 데이터를 학습하는 인공지능이 더욱 똑똑해지는 것은 당연할 것이다.For example, if there is a difference in the quality and quantity of data to be learned, even if the artificial intelligence has the same algorithm, it is natural that the artificial intelligence that learns better quality and quantity of data will become smarter.

국내 등록특허 등록번호 "10-1981624"Domestic registered patent registration number "10-1981624" 국내 공개특허 공개번호 "10-2020-0127719"Domestic Patent Publication No. "10-2020-0127719"

일 실시예에 의한 본 발명은 감속기 고장 위험을 진단하는 장치에 활용되는 인공지능을 위하여 양질의 데이터를 생성하여 저장할 수 있는 감속기 고장 진단용 학습 데이터 생성 시스템을 제공하는 데 목적이 있다.An object of the present invention according to an embodiment is to provide a system for generating learning data for diagnosing a failure of a reducer that can generate and store high-quality data for artificial intelligence used in a device for diagnosing the risk of failure of a reducer.

일 실시예에 의한 본 발명은 로봇에 장착되는 감속기의 고장을 빠르게 진단할 수 있는 인공지능을 제조하기 위하여, 이 인공지능을 학습시킬 수 있는 양질의 데이터를 생성하여 저장할 수 있는 있는 감속기 고장 진단용 학습 데이터 생성 시스템을 제공하는 데 목적이 있다.In order to manufacture artificial intelligence capable of quickly diagnosing the failure of a reducer mounted on a robot, the present invention according to an embodiment is learning for diagnosing a reducer failure that can generate and store high-quality data capable of learning the artificial intelligence. It aims to provide a data generating system.

일 실시예에 의한 본 발명인 감속기 고장 진단용 학습 데이터 생성 시스템은 입력축과 상기 회전축 사이에 배치되어 상기 입력축의 회전력을 상기 회전축으로 전달하는 대상감속기, 상기 대상감속기의 일측에 위치되어 상기 대상감속기의 진동을 측정하여 진동데이터를 생성하는 진동센서부 및 상기 진동데이터를 수신하여 상기 진동데이터를 기설정된 주기로 분할한 분할데이터를 생성하는 데이터가공부를 포함한다.According to an embodiment, the learning data generation system for diagnosing a gearbox failure according to the present invention includes a target reducer disposed between an input shaft and the rotation shaft to transmit the rotational force of the input shaft to the rotation shaft, and a target reducer located on one side of the target reducer to reduce vibration of the target reducer. It includes a vibration sensor unit that measures and generates vibration data, and a data processing unit that receives the vibration data and generates divided data obtained by dividing the vibration data into predetermined cycles.

상기 데이터가공부는 상기 각각의 분할데이터를 3가지 조각데이터로 생성하는 필터링부를 더 포함한다.The data processing unit further includes a filtering unit for generating each of the divided data into three pieces of data.

상기 조각데이터는 상기 분할데이터에서 축의 회전 주파수와 하모닉 성분, 기어 맞물림 주파수와 하모닉 성분을 포함하는 제1조각 데이터와, 상기 분할데이터에서 상기 입력축 또는 상기 출력축 중 어느 하나의 회전 주파수, 하모닉 성분이 제거되고, 기어 맞물림 주파수와 하모닉 성분이 제거되되 1차 사이드밴드 성분이 포함된 제2조각데이터 및 상기 제2조각데이터에서 1차 사이드밴드 성분이 제거된 제3조각 데이터로 구성되는 것을 특징으로 한다. The piece data is first piece data including the rotational frequency and harmonic component of the shaft, gear meshing frequency and harmonic component from the divided data, and the rotation frequency and harmonic component of any one of the input shaft or the output shaft are removed from the divided data. It is characterized in that it consists of second piece data from which the gear meshing frequency and harmonic component are removed but including the first sideband component, and third piece data from which the first sideband component is removed from the second piece data.

상기 데이터가공부는 상기 어느 하나의 분할데이터와 상기 분할데이터를 이용하여 생성된 제1조각데이터 내지 제3조각데이터에 기설정된 분석요소함수에 이용하여 분석요소값을 출력하는 분석연산부를 포함하는 것을 특징으로 한다.The data processing unit includes an analysis operation unit that outputs an analysis element value by using a predetermined analysis element function for the first to third piece data generated using any one of the divided data and the divided data. to be characterized

상기 데이터가공부는 분석요소함수는 최대진폭값연산함수, RMS연산함수, CF(최대진폭값/RMS)연산함수, Kurtosis연산함수를 포함하여서, 최대진폭값, RMS값, CF값, Kurtosis값을 출력하는 것을 특징으로 한다.The analysis element function of the data processing unit includes a maximum amplitude value operation function, an RMS operation function, a CF (maximum amplitude value/RMS) operation function, and a Kurtosis operation function, and calculates the maximum amplitude value, RMS value, CF value, and Kurtosis value. characterized by output.

상기 데이터가공부는 상기 분석요소값을 구분하여 저장하여 학습데이터를 생성하는 저장부를 포함하는 것을 특징으로 한다.The data processing unit may include a storage unit configured to generate learning data by dividing and storing the analysis element values.

일 실시예에 의한 본 발명은 감속기 실험 시 획득되는 진동데이터를 설정된 기준으로 나눠 분할데이터를 생성하고, 분할데이터를 다시 조각데이터로 생성하며, 조각데이터를 이용하여 복수의 분석요소값을 연산하고, 이를 저장함으로써 감속기 고장 진단에 활용될 양질의 데이터를 획득할 수 있다.The present invention according to an embodiment divides the vibration data obtained during the speed reducer experiment based on a set criterion to generate divided data, generates the divided data again as piece data, calculates a plurality of analysis element values using the piece data, By storing this, it is possible to obtain high-quality data to be used for reducing gear failure diagnosis.

도 1은 일 실시예에 의한 본 발명인 감속기 고장 진단용 학습 데이터 생성 시스템의 사시도이다.
도 2는 일 실시예에 의한 본 발명인 감속기 고장 진단용 학습 데이터 생성 시스템의 데이터가공부의 구성을 도시한 것이다.
도 3은 일 실시예에 의한 본 발명인 고장 진단용 학습 데이터 생성 시스템에서 진동센서부가 생성한 진동데이터와 데이터가공부의 분할부, 필터링부가 생성한 분할데이터, 각각의 조각데이터를 도시한 것이다.
도 4는 일 실시예에 의한 본 발명인 고장 진단용 학습 데이터 생성 시스템에서 분석연산부가 분석연산값을 연산하는 과정을 도시한 것이다.
도 5는 일 실시예에 의한 감속기 고장 진단용 학습 데이터 생성 시스템의 학습데이터를 도시한 것이다.1 is a perspective view of a system for generating learning data for diagnosing a speed reducer failure according to an embodiment of the present invention.
Figure 2 shows the configuration of the data processing unit of the learning data generation system for diagnosing a reduction gear failure according to the present invention according to an embodiment.
FIG. 3 illustrates vibration data generated by the vibration sensor unit, divided data generated by the data processing unit, divided data generated by the filtering unit, and respective pieces of data in the system for generating learning data for fault diagnosis according to an embodiment of the present invention.
4 illustrates a process of calculating an analysis operation value by an analysis operation unit in the system for generating learning data for fault diagnosis according to an embodiment of the present invention.
5 illustrates learning data of a learning data generation system for diagnosing a speed reducer failure according to an embodiment.

이하, 본 발명의 일실시예를 예시적인 도면을 통해 상세하게 설명한다. 그러나 이는 본 발명의 범위를 한정하려고 의도된 것은 아니다.Hereinafter, an embodiment of the present invention will be described in detail through exemplary drawings. However, this is not intended to limit the scope of the present invention.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.In adding reference numerals to components of each drawing, it should be noted that the same components have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description will be omitted.

또한, 도면에 도시된 구성요소의 크기나 형상 등은 설명의 명료성과 편의상 과장되게 도시될 수 있다. 또한, 본 발명의 구성 및 작용을 고려하여 특별히 정의된 용어들은 본 발명의 실시예를 설명하기 위한 것일 뿐이고, 본 발명의 범위를 한정하는 것이 아니다.In addition, the size or shape of the components shown in the drawings may be exaggerated for clarity and convenience of description. In addition, terms specifically defined in consideration of the configuration and operation of the present invention are only for describing the embodiments of the present invention, and do not limit the scope of the present invention.

도 1은 일 실시예에 의한 본 발명인 감속기 고장 진단용 학습 데이터 생성 시스템의 사시도이다.1 is a perspective view of a system for generating learning data for diagnosing a speed reducer failure according to an embodiment of the present invention.

일 실시예에 의한 본 발명인 감속기 고장 진단용 학습 데이터 생성 시스템은 입력축(10), 출력축(20)을 포함하며, 입력축(10)과 출력축(20) 사이에 배치되어 입력축(10)의 회전에 따라 설정된 감속비로 출력축(20)을 회전시키는 대상감속기(30) 및 진동을 측정하는 진동센서부(40) 및 진동센서부(40)와 연결되어 진동센서부(40)가 생성하는 데이터를 가공하는 데이터가공부(100)를 포함한다.The system for generating learning data for diagnosing a failure of a reducer according to an embodiment of the present invention includes an input shaft 10 and an output shaft 20, and is disposed between the input shaft 10 and the output shaft 20 and set according to the rotation of the input shaft 10. The target reducer 30 that rotates the output shaft 20 at a reduction ratio, the vibration sensor unit 40 that measures vibration, and the data that is connected to the vibration sensor unit 40 and processes the data generated by the vibration sensor unit 40 Includes Study (100).

입력축(10)은 일방향으로 연장되어 있어서 작동시간, 이동위치, 이동속도가 설정되어 설정된 주기로 회전될 수 있으며, 출력축(20)은 대상감속기(30)를 통하여 입력축(10)과 연결되어 있어서 입력축(10)의 회전에 따라 변경된 설정된 주기로 회전될 수 있다.The input shaft 10 is extended in one direction so that the operating time, movement position, and movement speed can be set and rotated at a set cycle, and the output shaft 20 is connected to the input shaft 10 through the target reducer 30, so the input shaft ( 10) can be rotated at a set period changed according to the rotation.

대상감속기(30)는 로봇의 관절에 설치될 수 있는 것으로, 어느 하나가 아닌 다양한 감속비를 가지는 감속기일 수 있다.The target reducer 30 may be installed on the joint of the robot, and may be a reducer having various reduction ratios rather than any one.

진동센서부(40)는 대상감속기(30)에 부착되거나 또는 인접하여 배치되어 대상감속기(30)의 진동을 센싱하여 진동데이터를 생성할 수 있다. 진동센서부(40)는 일례로 x축, y축, z축 방향으로 가속도를 측정하는 가속도 센서일 수 있다. 즉, 진동센서부(40)는 3축의 진동을 측정하는 가속도센서일 수 있다.The vibration sensor unit 40 may be attached to or disposed adjacent to the target reducer 30 to sense the vibration of the target reducer 30 to generate vibration data. The vibration sensor unit 40 may be, for example, an acceleration sensor that measures acceleration in the x-axis, y-axis, and z-axis directions. That is, the vibration sensor unit 40 may be an acceleration sensor that measures vibration in three axes.

데이터가공부(100)는 진동센서부(40)가 생성한 진동데이터를 수신받고 진동데이터를 설정된 기준으로 분할하는 분할데이터로 가공하고, 각각의 분할데이터를 다시 조각데이터로 가공하며, 조각데이터를 분석요소값으로 연산한 후, 최종적으로 분석요소값을 학습데이터로 가공하여 저장할 수 있다. 그러므로 후에 자동으로 감속기의 이상을 판단할 수 있는 인공지능에 활용될 양질의 데이터를 생성할 수 있다. The data processing unit 100 receives the vibration data generated by the vibration sensor unit 40, processes the vibration data into divided data for dividing the vibration data based on a set standard, processes each divided data into piece data again, and converts the piece data into pieces. After calculating the analysis element value, the analysis element value may be finally processed and stored as learning data. Therefore, it is possible to generate high-quality data to be used in artificial intelligence that can automatically determine the abnormality of the reducer later.

도 2는 일 실시예에 의한 본 발명인 감속기 고장 진단용 학습 데이터 생성 시스템의 데이터가공부(100)의 구성을 도시한 것이다.Figure 2 shows the configuration of the data processing unit 100 of the learning data generation system for diagnosing a reducer failure according to the present invention according to an embodiment.

데이터가공부(100)는 분할부(110), 필터링부(120), 분석연산부(130), 저장부(140)로 구성될 수 있다.The data processing unit 100 may be composed of a division unit 110, a filtering unit 120, an analysis operation unit 130, and a storage unit 140.

분할부(110)는 진동데이터를 수신하고, 진동데이터를 설정된 기준에 따라 분할하는 분할데이터를 생성한다. 여기서 분할부(110)의 설정된 기준은 다양하게 설정될 수 있으나 일례로 입력축(10)의 회전주기에 따라서 결정될 수 있다. 일례로 입력축(10)의 회전주기가 0.8s인 경우, 분할부(110)는 0.1s를 기준으로 진동데이터를 분할하여 분할데이터를 생성할 수 있다. The dividing unit 110 receives the vibration data and generates divided data for dividing the vibration data according to a set criterion. Here, the set criterion of the dividing unit 110 may be set in various ways, but may be determined according to the rotation period of the input shaft 10 as an example. For example, when the rotation period of the input shaft 10 is 0.8 s, the divider 110 may generate divided data by dividing the vibration data based on 0.1 s.

필터링부(120)는 분할데이터가 생성되면 분할데이터 각각을 조각데이터로 생성할 수 있다. 필터링부(120)가 생성하는 조각데이터는 제1조각데이터, 제2조각데이터, 제3조각데이터일 수 있다. When the divided data is generated, the filtering unit 120 may generate each of the divided data as piece data. The piece data generated by the filtering unit 120 may be first piece data, second piece data, and third piece data.

제1조각데이터는 분할데이터에서 입력축(10) 또는 회전축(20)의 회전 주파수 성분과 하모닉 성분, 대상감속기(30)의 기어 맞물림 주파수와 하모닉 성분이 포함된 신호를 의미한다. 제1조각데이터는 정규/혼합신호(regular signal)일 수 있다.The first piece data means a signal including the rotation frequency component and harmonic component of the input shaft 10 or the rotation shaft 20, and the gear meshing frequency and harmonic component of the target reducer 30 in the divided data. The first piece of data may be a regular/mixed signal.

제2조각데이터는 분할데이터에서 입력축(10) 또는 회전축(20)의 회전 주파수와 하모닉 성분, 대상감속기(30)의 기어의 맞물림 주파수 및 하모닉 성분이 제거되고 대상감속기(30)의 기어 맞물림 주파수의 1차 사이드 밴드 성분이 포함된 신호일 수 있다. 제2조각데이터는 잔류신호(residual signal)일 수 있다.In the second piece data, the rotational frequency and harmonic component of the input shaft 10 or the rotating shaft 20, the meshing frequency and harmonic component of the gear of the target reducer 30 are removed from the divided data, and the gear meshing frequency of the target reducer 30 It may be a signal including a primary sideband component. The second piece of data may be a residual signal.

제3조각데이터는 제2조각데이터에서 1차 사이드 밴드 성분이 제거된 신호일 수 있다. 제3조각데이터는 차이신호(difference signal)일 수 있다.The third piece data may be a signal obtained by removing the first sideband component from the second piece data. The third piece data may be a difference signal.

분석연산부(130)는 분할데이터, 제1조각데이터 내지 제3조각데이터를 기설정되어 있는 분석연산함수를 이용하여 분석연산값으로 연산할 수 있다. The analysis operation unit 130 may calculate the divided data and the first to third piece data as analysis operation values using a preset analysis operation function.

분석연산값은 분할데이터를 이용하여 연산되는 RMS, CrestFactor(CF), Kurtosis, 제1조각데이터를 이용하여 연산되는 FM0, 제2조각데이터를 이용하여 연산되는 EnergyRatio(ER), FM4, M6A, M6A, 제3조각데이터를 이용하여 연산되는 NA4일 수 있다. 이처럼 각각의 신호는 분석연산부(130)를 통하여 10개의 분석연산값으로 연산될 수 있다.The analysis calculation values are RMS, CrestFactor (CF), and Kurtosis calculated using the divided data, FM0 calculated using the first piece data, EnergyRatio (ER) calculated using the second piece data, FM4, M6A, and M6A. , NA4 calculated using the third piece data. As such, each signal may be calculated as 10 analysis operation values through the analysis operation unit 130 .

저장부(140)는 분석연산값을 학습데이터로 가공하여 저장할 수 있다. 분석연산값은 대상감속기(30)를 이용한 실험이 반복됨에 따라 생성되는 분석연산값을 분리하여 저장할 수 있다. 즉, 전술한 실시예와 같이 분할부(110)가 설정된 기준에 따라 진동데이터를 분할하면 각 기준에 따라 생성되는 학습데이터를 분리하여 저장할 수 있다. 여기서 학습데이터는 분석연산값이 테이블 형태의 표에 따라 가공된 데이터일 수 있다. The storage unit 140 may process and store the analysis operation value as learning data. The analysis operation value may be separated and stored as the analysis operation value generated as the experiment using the target reducer 30 is repeated. That is, as in the above-described embodiment, when the dividing unit 110 divides the vibration data according to the set criteria, learning data generated according to each criterion can be separated and stored. Here, the learning data may be data in which analysis calculation values are processed according to a table in the form of a table.

이와 같이 저장부(140)에 저장되는 학습데이터는 대상감속기(30)의 결함 여부를 판단하는 인공지능에 학습을 위한 데이터로 활용될 수 있으며, 학습데이터는 그래프가 아닌 표의 형태로 있으므로 그래프로 형성되는 데이터 대비 용량이 압축될 수 있어서 인공지능에 더 많은 학습데이터를 저장할 수 있다.In this way, the learning data stored in the storage unit 140 can be used as data for learning in artificial intelligence that determines whether the target reducer 30 is defective, and since the learning data is in the form of a table rather than a graph, it is formed as a graph. The capacity compared to the data to be used can be compressed, so more learning data can be stored in artificial intelligence.

도 3은 일 실시예에 의한 본 발명인 고장 진단용 학습 데이터 생성 시스템에서 진동센서부가 생성한 진동데이터와 데이터가공부의 분할부, 필터링부가 생성한 분할데이터, 각각의 조각데이터를 도시한 것이다.FIG. 3 illustrates vibration data generated by the vibration sensor unit, divided data generated by the data processing unit, divided data generated by the filtering unit, and respective pieces of data in the system for generating learning data for fault diagnosis according to an embodiment of the present invention.

입력축(10)이 설정된 주기로 회전되는 경우 진동센서부(40)는 도 3의 가장 좌측에 위치된 것과 같은 진동데이터를 획득할 수 있다. When the input shaft 10 is rotated at a set cycle, the vibration sensor unit 40 may obtain vibration data as the one located at the leftmost side of FIG. 3 .

데이터가공부(100)의 분할부(110)는 진동데이터를 도 3의 가운데와 같이 어느 설정된 기준에 따라서 분할하여 분할데이터를 생성할 수 있다. 여기서 도 3에서는 시간을 기준으로 진동데이터를 분할하여 분할데이터를 생성할 수 있다.The dividing unit 110 of the data processing unit 100 may generate divided data by dividing the vibration data according to a set criterion as shown in the center of FIG. 3 . In FIG. 3 , divided data may be generated by dividing vibration data based on time.

필터링부(120)는 도 3과 같이 분할부(110)에 의하여 분할된 분할데이터를 제1조각데이터, 제2조각데이터, 제3조각데이터로 가공할 수 있다. 여기서 제1조각데이터와 제2조각데이터, 제3조각데이터는 전술한 바와 같이 하모닉 성분의 포함 유무 및 1차 사이드밴드 성분의 포함 유무로 구분될 수 있다.As shown in FIG. 3 , the filtering unit 120 may process the divided data divided by the dividing unit 110 into first piece data, second piece data, and third piece data. Here, the first piece data, the second piece data, and the third piece data can be classified according to whether or not a harmonic component is included and whether or not a primary sideband component is included, as described above.

도 4는 일 실시예에 의한 본 발명인 고장 진단용 학습 데이터 생성 시스템에서 분석연산부가 분석연산값을 연산하는 과정을 도시한 것이다.4 illustrates a process of calculating an analysis operation value by an analysis operation unit in the system for generating learning data for fault diagnosis according to an embodiment of the present invention.

분석연산부(130)는 분할데이터와 각각의 조각데이터를 이용하여 분석연산값을 연산한다.The analysis operation unit 130 calculates an analysis operation value using the divided data and each piece of data.

분석연산부(130)는 기설정된 분석연산함수가 저장되어 있다. The analysis operation unit 130 stores a predetermined analysis operation function.

본 발명의 분석연산함수를 구성하는 각 기호는 다음과 같다.Each symbol constituting the analysis operation function of the present invention is as follows.

: 크기가 가장 큰 값

: the value with the largest magnitude

이하에서는 분석연산함수와 각각의 의미에 대하여 설명하도록 하겠다.Hereinafter, analysis operation functions and their respective meanings will be explained.

우선 분할데이터를 이용하여 연산되는 분석연산값은 다음과 같다.First, the analysis operation value calculated using the divided data is as follows.

RMS는 전체 진동의 크기를 나타냄RMS represents the magnitude of the total vibration

CF는 충격성 진동의 정도를 나타냄CF indicates the degree of impact vibration

Kurtosis는 원 신호의 4차 모멘트 값으로, 원신호의 확률밀도함수 분포에서 이상값이 발생할 가능성이 얼마나 클지 나타냄Kurtosis is the 4th order moment value of the original signal, and indicates how likely it is that an outlier will occur in the probability density function distribution of the original signal.

제1조각데이터를 이용하여 연산되는 분석연산값은 다음과 같다.Analysis calculation values calculated using the first piece of data are as follows.

FM0는 하모닉 성분의 진동에 대한 피크값의 비율로, 대상감속기(30)의 나사산(치)의 손상 또는 마모 등과 같은 주요한 이상이 있는지를 체크하는 값FM0 is the ratio of the peak value to the vibration of the harmonic component, a value that checks whether there is a major abnormality such as damage or wear of the thread (teeth) of the target reducer 30

제2조각데이터를 이용하여 연산되는 분석연산값은 다음과 같다.Analysis calculation values calculated using the second piece data are as follows.

FM4는 제2조각데이터의 확률밀도함수 분포에서 이상 발생 가능성의 정도를 예측하는 값. 대상감속기(30)의 나사산(치)가 한 개 또는 두개 손상되었을 때 검출됨. 대상감속기(30) 전체가 손상되었을 때 검출값은 낮아짐. 초기 대상감속기(30)의 손상을 검출하는데 활용됨.FM4 is a value predicting the degree of possibility of abnormal occurrence in the probability density function distribution of the second piece data. Detected when one or two threads (teeth) of the target reducer (30) are damaged. The detection value is lowered when the entire target reducer (30) is damaged. Used to detect damage to the initial target reducer (30).

M6A는 대상감속기(30)의 표면이 손상 여부를 알 수 있음M6A can know whether the surface of the target reducer 30 is damaged

M6A를 개선한 값으로 대상감속기(30)의 표면이 손상되었는지를 알 수 있음With the improved value of M6A, it is possible to know whether the surface of the target reducer (30) is damaged

제3조각데이터를 이용하여 연산되는 분석연산값은 다음과 같다.Analysis calculation values calculated using the third piece data are as follows.

NA4는 제3조각데이터의 4차 모멘트로, 제3조각데이터의 확률밀도함수 분포에서 이상값이 발생할 가능성이 클지 작을지를 나타내는 값. 대상감속기(30)의 나사산(치)의 면의 피팅 손상을 검출할 수 있음NA4 is a 4th order moment of the third piece data, a value indicating whether the probability of an outlier occurring in the distribution of the probability density function of the third piece data is high or small. Capable of detecting damage to the fitting on the surface of the thread (teeth) of the target reducer (30)

한편, 분석연산부(130)는 사용자의 선택에 따라 제1조각데이터 및 제2조각데이터를 이용하여 다음과 같은 분석연산값을 연산할 수도 있다.Meanwhile, the analysis operation unit 130 may calculate the following analysis operation value using the first piece data and the second piece data according to the user's selection.

ER은 제1조각데이터와 제2조각데이터의 RMS비율. ER is the RMS ratio of the first piece data and the second piece data.

분석연산부(130)는 분할데이터, 제1조각데이터, 제2조각데이터, 제3조각데이터를 이용하여 분석연산값을 연산할 수 있다.The analysis operation unit 130 may calculate an analysis operation value using the divided data, the first piece data, the second piece data, and the third piece data.

도 5는 일 실시예에 의한 감속기 고장 진단용 학습 데이터 생성 시스템의 학습데이터를 도시한 것이다.5 illustrates learning data of a learning data generation system for diagnosing a speed reducer failure according to an embodiment.

분석연산부(130)에 의하여 연산된 분석연산값은 정리되어 학습데이터로 생성되고, 구분되어 저장부(140)에 저장될 수 있다. 즉, 도 5와 같이 예를 들어 332개의 분할데이터가 있는 경우 332*3개의 조각데이터가 생성되고 332*3*9(또는 10)의 분석연산값들이 생성될 수 있다. 이들은 도 5에서 도시된 바와 같이 각각의 조각데이터와, 각각의 분할데이터에 따라 구분되고 정렬되어 저장부(140)에 저장될 수 있다.The analysis operation values calculated by the analysis operation unit 130 may be organized and generated as learning data, separated, and stored in the storage unit 140 . That is, as shown in FIG. 5 , for example, when there are 332 pieces of divided data, 332*3 piece data may be generated and 332*3*9 (or 10) analysis operation values may be generated. As shown in FIG. 5 , they may be classified and sorted according to each piece data and each divided data and stored in the storage unit 140 .

본 발명은 이와 같이 인공지능에 활용될 학습데이터를 생성할 수 있다. In this way, the present invention can generate learning data to be used for artificial intelligence.

본 발명은 특정한 실시 예에 관련하여 도시하고 설명하였지만, 이하의 특허청구범위에 의해 제공되는 본 발명의 기술적 사상을 벗어나지 않는 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 업계에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.Although the present invention has been shown and described in relation to specific embodiments, it is known in the art that the present invention can be variously improved and changed without departing from the technical spirit of the present invention provided by the claims below. It will be self-evident to those skilled in the art.

10 : 입력축
20 : 출력축
30 : 대상감속기
40 : 진동센서부
100 : 데이터가공부
110 : 분할부
120 : 필터링부
130 : 분석연산부
140 : 저장부10: input shaft
20: output shaft
30: target reducer
40: vibration sensor unit
100: data processing part
110: dividing part
120: filtering unit
130: analysis calculation unit
140: storage unit

Claims

In the learning data generation system for diagnosing gearbox failure,
A target reducer disposed between the input shaft and the rotation shaft to transmit the rotational force of the input shaft to the rotation shaft;
a vibration sensor unit located on one side of the target reducer to measure vibration of the target reducer and generate vibration data; and
A data processing unit for receiving the vibration data and generating divided data obtained by dividing the vibration data into preset cycles.
A learning data generation system for diagnosing a reducer failure comprising a.

According to claim 1,
The data processing department
Further comprising a filtering unit for generating each of the divided data into three pieces of data
A system for generating learning data for diagnosing gearbox failures.

According to claim 2,
The piece data is
In the divided data, the first piece of data including the rotational frequency and harmonic component of the shaft, the gear meshing frequency and the harmonic component, and the rotational frequency of any one selected from the input shaft or the output shaft in the divided data, harmonic component, and the target reducer Including second piece data from which the gear meshing frequency and harmonic components are removed and a first order sideband component included, and third piece data from which the first order sideband component is removed from the second piece data
A system for generating learning data for diagnosing gearbox failures.

According to claim 3,
The data processing department
And an analysis operation unit that outputs an analysis element value by using an analysis element function set in the first to third piece data generated using any one of the divided data and the divided data.
A system for generating learning data for diagnosing gearbox failures.

According to claim 4,
The data processing department
The analytic factor function is
Outputting the maximum amplitude value, RMS value, CF value, and Kurtosis value, including the maximum amplitude value operation function, RMS operation function, CF (maximum amplitude value/RMS) operation function, and Kurtosis operation function
A system for generating learning data for diagnosing gearbox failures.

According to claim 4,
The data processing department
To include a storage unit for generating learning data by dividing and storing the analysis element values
A system for generating learning data for diagnosing gearbox failures.