KR20230100999A - Method for determining dominant frequency of rotating machinery facilities, and computing system performing the same - Google Patents
Method for determining dominant frequency of rotating machinery facilities, and computing system performing the same Download PDFInfo
- Publication number
- KR20230100999A KR20230100999A KR1020210190732A KR20210190732A KR20230100999A KR 20230100999 A KR20230100999 A KR 20230100999A KR 1020210190732 A KR1020210190732 A KR 1020210190732A KR 20210190732 A KR20210190732 A KR 20210190732A KR 20230100999 A KR20230100999 A KR 20230100999A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- clusters
- frequency
- amplitude
- computing system
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 86
- 238000003064 k means clustering Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- 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
- 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
- G01H1/16—Amplitude
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
Abstract
회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템이 개시된다. 본 발명의 일 측면에 따르면, 컴퓨팅 시스템이, 회전 기계 설비의 진동을 감지하는 진동 센서에 의해 소정의 측정기간 동안 소정의 샘플링 레이트로 측정한 측정 데이터를 획득하는 단계-상기 측정 데이터는 시간 도메인 진폭 데이터임-, 상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계 및 상기 컴퓨팅 시스템이, 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 단계, 상기 컴퓨팅 시스템이, 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계-여기서 K는 2 이상의 정수임-, 상기 컴퓨팅 시스템이, 상기 K개의 군집 각각의 대표 주파수를 선정하는 단계, 상기 컴퓨팅 시스템이, 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 단계 및 상기 컴퓨팅 시스템이, 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 단계를 포함하는 회전 기계 설비의 탁월 주파수 결정 방법이 제공된다.A method for determining the superior frequency of a rotating machine, and a computing system for performing the same, are disclosed. According to one aspect of the present invention, a computing system obtains measurement data measured at a predetermined sampling rate for a predetermined measurement period by a vibration sensor that detects vibration of a rotating machine equipment - the measurement data is time domain amplitude data-, the computing system converts the measurement data into frequency domain data, and the computing system converts the frequency domain data to amplitude-based 2-means clustering, so that the amplitude is Classifying into large high-amplitude clusters and small-amplitude low-amplitude clusters, wherein the computing system performs K-means clustering on the basis of frequency for data belonging to the classified high-amplitude clusters. Classifying into clusters, where K is an integer greater than or equal to 2. Selecting, by the computing system, representative frequencies of each of the K clusters, by the computing system, for each of the K clusters, the representative frequencies of the clusters. Calculating an amplitude sum within a predetermined frequency range centered on and determining, by the computing system, a representative frequency of some clusters having the largest magnitude of amplitude sum among the K clusters as an excellent frequency. A superior frequency determination method is provided.
Description
본 발명은 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템에 관한 것이다. 보다 상세하게는 회전 기계 설비에서 발생하는 진동을 측정한 후, 이를 이용한 비지도 학습을 통해 회전 기계 설비의 탁월 주파수(dominant frequency)를 자동으로 탐지하는 기술분야에 관한 것이다.The present invention relates to a method for determining the superior frequency of a rotating machine and a computing system for performing the same. More specifically, it relates to a technology for automatically detecting a dominant frequency of a rotating machine through unsupervised learning after measuring vibration generated in a rotating machine.
산업현장에는 모터 및 펌프와 같은 회전체로 가동되는 다양한 설비가 존재하며, 이러한 설비들은 가공, 조립 및 운송 등 생산공정의 핵심적인 부분을 담당하고 있다. 따라서 회전체의 결함은 생산공정의 차질로 이어지게 되므로, 기업들은 현장상황에 맞는 예방보전(Preventive Maintenance: PM) 방식을 택하여 수행하게 된다. 예방보전에는 가동시간을 기준으로 설비교체주기를 정하여 정비를 수행하는 TBM(Time Based Preventive Maintenance), 정기적으로 설비를 분해 점검하여 불량이 확인될 시 교환하는 IR(Inspection & Repair), 센서 등으로 설비 상태를 관측하고 그 관측치에 따라 예지보전을 실시하는 CBM(Condition Based Preventive Maintenance)으로 분류된다. 여기서 TBM과 IR의 경우 정기적으로 발생하는 설비교체 및 점검 시간으로 인해 생산성에 영향을 줄 수 있으며, 과잉정비(Over Maintenance)가 될 수도 있다는 단점이 존재한다. 따라서 생산라인의 운전상태를 유지하며 보다 경제적으로 예방보전이 이루어져야 하는 현장에서는 다양한 센서들을 부착하여 측정된 설비의 상태를 기준으로 하는 CBM 방식이 이루어진다.There are various facilities operated by rotating bodies such as motors and pumps in industrial sites, and these facilities are in charge of key parts of production processes such as processing, assembly, and transportation. Therefore, defects in the rotating body lead to setbacks in the production process, so companies choose and perform Preventive Maintenance (PM) methods that are suitable for site conditions. For preventive maintenance, TBM (Time Based Preventive Maintenance), which performs maintenance by determining the equipment replacement cycle based on operation time, IR (Inspection & Repair), which regularly disassembles and inspects equipment and replaces it when defects are identified, and sensors, etc. It is classified as CBM (Condition Based Preventive Maintenance) that observes the condition and performs predictive maintenance according to the observed value. Here, in the case of TBM and IR, the periodic equipment replacement and inspection time may affect productivity and may result in over maintenance. Therefore, in the field where the operating state of the production line must be maintained and preventive maintenance must be performed more economically, the CBM method is performed based on the state of the equipment measured by attaching various sensors.
회전체 예지보전에 사용되는 대표적인 측정지표에는 진동이 있다. 산업현장에서 발생한 고장과 진동데이터가 수집되고 있으며, 국내에서도 다양한 현장에서 진동데이터를 수집하고 정리 중이다. 수집된 진동데이터를 이용하여 설비상태를 분석하는 방법에는 크게 시간 영역 분석과 주파수 영역 분석이 있다. 시간 영역은 RMS, Kurtosis 및 Shock Pulse Counting 등의 지표가 이용되며, 주파수 영역은 탁월 주파수(Dominant Frequency)가 분석 지표로 주로 이용된다.Vibration is a representative measurement index used for predictive maintenance of rotating bodies. Failures and vibration data that occurred at industrial sites are being collected, and vibration data are being collected and organized at various sites in Korea. Methods for analyzing facility conditions using collected vibration data include time domain analysis and frequency domain analysis. In the time domain, indices such as RMS, Kurtosis, and Shock Pulse Counting are used, and in the frequency domain, dominant frequency is mainly used as an analysis index.
탁월 주파수란 회전 설비의 파동에 포함된 진동수 성분 중 빈도나 진폭이 다른 주파수에 비하여 탁월하며 일정하게 나오는 주파수를 의미하며, 탁월 주파수의 변화를 통해 설비의 이상을 감지할 수 있다.Outstanding frequency refers to a frequency whose frequency or amplitude is outstanding and constant compared to other frequencies among the frequency components included in the wave of rotating equipment.
최근 스마트팩토리(Smart Factory)와 같이 산업구조도 무인화 전환이 되고 있으며, 제조업 현장 등의 설비진단분야에서도 센서를 이용한 모니터링 기술이 적용되는 추세이다. 기존에는 산업현장에서 설비로부터 취득한 데이터가 있어도, 이를 분석하여 설비 상태를 판단할 수 있는 전문인력이 추가적으로 필요하였다. 그러나 인공지능(AI: Artificial Intelligence) 기술의 발전으로 이러한 문제가 해결되고 있으며, 산업현장의 진동데이터를 활용한 진단 연구도 활발히 진행되고 있다.Recently, industrial structures are becoming unmanned, such as smart factories, and monitoring technology using sensors is also being applied to facility diagnosis fields such as manufacturing sites. In the past, even if there was data acquired from facilities at industrial sites, additional experts were needed to analyze it and determine the state of the facilities. However, with the development of AI (Artificial Intelligence) technology, these problems are being solved, and diagnostic research using vibration data from industrial sites is also being actively conducted.
측정된 진동 데이터를 은닉 마르코프 모델(hidden Markov model)을 이용해 분석하여 설비를 진단하는 연구들이 있으며, 전이학습(Transfer Learning)을 이용한 베어링 고장 진단, 합성곱 신경망(CNN: Convolutional neural network)을 이용한 연구도 수행되었다. 이러한 진동분석이 이루어질 때, 주파수 영역의 데이터 분석이 필요하다면 탁월 주파수를 정확하게 검출하여야 분석결과의 신뢰도가 높아진다.There are studies that diagnose equipment by analyzing measured vibration data using hidden Markov models, bearing failure diagnosis using transfer learning, and studies using convolutional neural network (CNN). was also performed When such vibration analysis is performed, if data analysis in the frequency domain is required, the reliability of the analysis result increases only when the excellent frequency is accurately detected.
만약 인위적으로 세팅 된 실험실 환경에서 데이터가 취득되었다면, 주파수 데이터에서 깨끗한 피크(Peak)가 형성되므로 탁월 주파수를 검출하는 것이 어렵지 않다. 그러나 실제 현장에서는 주변에서 발생하는 다양한 노이즈에 영향을 받아 알고리즘에 의해 자동으로 피크를 판별하는 과정에서 오류가 발생할 수 있다.If the data is acquired in an artificially set laboratory environment, it is not difficult to detect the excellent frequency because a clean peak is formed in the frequency data. However, in a real field, an error may occur in the process of automatically identifying peaks by an algorithm affected by various noises generated in the surroundings.
이에 Jin 등은 탁월 주파수를 자동으로 판별하는 새로운 방법(Jin, S. S., Jeong, S., Sim, S. H., Seo, D. W., and Park, Y. S., 2021, "Fully automated peak-picking method for an autonomous stay-cable monitoring system in cable-stayed bridges," Automation in Construction, Vol. 126, 103628.)을 제안하였으나 이러한 방법은 교량을 지탱하는 케이블의 건전성을 모니터링 하기 위한 진동분석 방법을 제안하고자 수행되었기에 모터와 같은 기계 설비에서 발생하는 진동 분석에 적용하기에는 다소 무리가 있다. 또한 정적인 상태의 건축구조물에 비해 동적인 상태의 기계설비는 노이즈에 더 취약한 환경이므로, 분석 대상의 실정에 맞는 탁월 주파수 검출 방법이 필요하다.Accordingly, Jin et al. developed a new method for automatically discriminating peak frequencies (Jin, S. S., Jeong, S., Sim, S. H., Seo, D. W., and Park, Y. S., 2021, "Fully automated peak-picking method for an autonomous stay- cable monitoring system in cable-stayed bridges," Automation in Construction, Vol. 126, 103628.) was proposed, but this method was performed to propose a vibration analysis method for monitoring the integrity of cables supporting bridges, so machines such as motors It is somewhat unreasonable to apply it to the analysis of vibrations occurring in facilities. In addition, mechanical facilities in a dynamic state are more susceptible to noise than building structures in a static state, so an excellent frequency detection method suitable for the actual situation of the target of analysis is required.
본 발명이 이루고자 하는 기술적인 과제는 비지도 학습을 통해 회전 기계 설비의 탁월 주파수(dominant frequency)를 자동으로 결정하는 방법 및 이를 수행하는 컴퓨팅 시스템을 제공하는 것이다.A technical problem to be achieved by the present invention is to provide a method for automatically determining a dominant frequency of a rotating machine through unsupervised learning and a computing system for performing the same.
본 발명의 일 측면에 따르면, 컴퓨팅 시스템이, 회전 기계 설비의 진동을 감지하는 진동 센서에 의해 소정의 측정기간 동안 소정의 샘플링 레이트로 측정한 측정 데이터를 획득하는 단계-상기 측정 데이터는 시간 도메인 진폭 데이터임-, 상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계 및 상기 컴퓨팅 시스템이, 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 단계, 상기 컴퓨팅 시스템이, 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계-여기서 K는 2 이상의 정수임-, 상기 컴퓨팅 시스템이, 상기 K개의 군집 각각의 대표 주파수를 선정하는 단계, 상기 컴퓨팅 시스템이, 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 단계 및 상기 컴퓨팅 시스템이, 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 단계를 포함하는 회전 기계 설비의 탁월 주파수 결정 방법이 제공된다.According to one aspect of the present invention, a computing system obtains measurement data measured at a predetermined sampling rate for a predetermined measurement period by a vibration sensor that detects vibration of a rotating machine equipment - the measurement data is time domain amplitude data-, the computing system converts the measurement data into frequency domain data, and the computing system converts the frequency domain data to amplitude-based 2-means clustering, so that the amplitude is Classifying into large high-amplitude clusters and small-amplitude low-amplitude clusters, wherein the computing system performs K-means clustering on the basis of frequency for data belonging to the classified high-amplitude clusters. Classifying into clusters, where K is an integer greater than or equal to 2. Selecting, by the computing system, representative frequencies of each of the K clusters, by the computing system, for each of the K clusters, the representative frequencies of the clusters. Calculating an amplitude sum within a predetermined frequency range centered on and determining, by the computing system, a representative frequency of some clusters having the largest magnitude of amplitude sum among the K clusters as an excellent frequency. A superior frequency determination method is provided.
일 실시예에서, 상기 분류된 상기 고진폭 군집에 속하는 데이터를 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계는, 2 <= j <= K_max인 모든 정수 j에 대하여(K_max는 미리 정해진 K의 최대 값), 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 j-평균 클러스터링을 통해 j개의 군집으로 분류하고, 상기 고진폭 군집에 속하는 i번째 데이터의 실루엣 계수 s(i)를 하기 [수식]에 의해 산출하고(i는 1<=i<=N 인 모든 정수; N은 상기 고진폭 군집에 속하는 데이터의 총 개수), s(1) 내지 s(N)의 평균 값 S(j)를 산출하는 단계; 및In one embodiment, the step of classifying the classified data belonging to the high-amplitude cluster into K clusters through K-means clustering, for all integer j where 2 <= j <= K_max (K_max is a predetermined maximum value of K), data belonging to the high amplitude cluster is classified into j clusters through j-mean clustering based on frequency, and the silhouette coefficient s of the ith data belonging to the high amplitude cluster (i) is calculated by the following [Equation] (i is all integers 1<=i<=N; N is the total number of data belonging to the high amplitude cluster), and s(1) to s(N) calculating an average value S(j); and
2 <= j <= K_max 인 모든 정수 j 중에서, S(K)가 S(2) 내지 S(K_max) 중 가장 1에 가까운 값이 되도록 하는 K를 결정하는 단계를 포함할 수 있다Among all integers j in which 2 <= j <= K_max, determining K such that S(K) is the closest to 1 among S(2) to S(K_max) may be included.
[수식][formula]
(a(i)는 i번째 데이터와 같은 군집 내의 다른 데이터와의 거리의 평균값, b(i)는 i번째 데이터가 속하지 않은 군집 중 가장 가까운 군집과의 평균 거리임)(a(i) is the average distance between the i-th data and other data in the same cluster, b(i) is the average distance between the nearest cluster among the clusters to which the i-th data does not belong)
일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전 기계 설비가 동작하고 있었는지 여부를 판단하는 단계를 더 포함하고, 상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계는, 상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계를 포함할 수 있다In one embodiment, the method further comprises determining, by the computing system, based on the measurement data whether the rotating machinery equipment was operating during the measurement period, wherein the computing system converts the measurement data into a frequency domain. The converting into data may include converting the measurement data into frequency domain data when it is determined that the rotating machine was operating during the measurement period.
일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는, 상기 측정 데이터의 최소 값이 소정의 임계값 이하인지 여부를 판단하는 단계를 포함할 수 있다.In one embodiment, the step of determining whether the rotating machine was operating during the measurement period based on the measurement data by the computing system may include determining whether a minimum value of the measurement data is less than or equal to a predetermined threshold value. It may include a decision-making step.
일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는, 상기 측정 데이터가 대칭성을 가지는지 여부를 판단하는 단계를 포함할 수 있다In one embodiment, the step of determining, by the computing system, whether the rotating machine was operating during the measurement period based on the measurement data includes determining whether the measurement data has symmetry. can do
일 실시예에서, 상기 진동 센서는 3축 진동 센서이며, 상기 측정 데이터는 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터 중 어느 하나인 것을 특징으로 할 수 있다In one embodiment, the vibration sensor is a 3-axis vibration sensor, and the measurement data may be any one of x-axis data, y-axis data, and z-axis data output from the 3-axis vibration sensor.
본 발명의 다른 일 측면에 따르면, 데이터 처리장치에 설치되며 상술한 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램이 제공된다.According to another aspect of the present invention, a computer program installed in a data processing device and recorded on a medium for performing the above method is provided.
본 발명의 다른 일 측면에 따르면, 상술한 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.According to another aspect of the present invention, a computer readable recording medium on which a computer program for performing the above method is recorded is provided.
본 발명의 다른 일 측면에 따르면, 컴퓨팅 시스템으로서, 프로세서 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고, 상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 컴퓨팅 시스템이 회전 기계 설비의 탁월 주파수 결정 방법을 수행하도록 제어하고, 상기 회전 기계 설비의 탁월 주파수 결정 방법은, 컴퓨팅 시스템이, 회전 기계 설비의 진동을 감지하는 진동 센서에 의해 소정의 측정기간 동안 소정의 샘플링 레이트로 측정한 측정 데이터를 획득하는 단계-상기 측정 데이터는 시간 도메인 진폭 데이터임-, 상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계 및 상기 컴퓨팅 시스템이, 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 단계, 상기 컴퓨팅 시스템이, 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계-여기서 K는 2 이상의 정수임-, 상기 컴퓨팅 시스템이, 상기 K개의 군집 각각의 대표 주파수를 선정하는 단계, 상기 컴퓨팅 시스템이, 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 단계 및 상기 컴퓨팅 시스템이, 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 단계를 포함하는 컴퓨팅 시스템이 제공된다.According to another aspect of the present invention, a computing system comprising a processor and a memory storing a computer program, wherein the computer program, when executed by the processor, determines the superior frequency of a rotating machine. In the method for determining the superior frequency of the rotating machinery equipment, the computing system obtains measurement data measured at a predetermined sampling rate for a predetermined measurement period by a vibration sensor that detects vibration of the rotating machinery equipment. Step-the measurement data is time domain amplitude data-, the computing system converts the measurement data into frequency domain data, and the computing system performs 2-average clustering on the amplitude basis ( Classifying high-amplitude clusters with large amplitudes and low-amplitude clusters with small amplitudes through 2-means clustering), wherein the computing system performs K-means clustering (based on frequency) of data belonging to the classified high-amplitude clusters ( Classifying into K clusters through K-means clustering, where K is an integer greater than or equal to 2, selecting, by the computing system, a representative frequency of each of the K clusters; by the computing system, the K clusters For each, calculating an amplitude sum within a predetermined frequency range centered on the representative frequency of the cluster, and determining, by the computing system, a representative frequency of some clusters having the largest magnitude of amplitude sum among the K clusters as an excellent frequency. There is provided a computing system comprising the step of doing.
본 발명의 다른 일 측면에 따르면, 회전 기계 설비의 진동을 감지하는 진동 센서에 의해 소정의 측정기간 동안 소정의 샘플링 레이트로 측정한 측정 데이터를 획득하는 획득모듈-상기 측정 데이터는 시간 도메인 진폭 데이터임-, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 변환모듈 및 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 제1분류모듈, 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 제2분류모듈-여기서 K는 2 이상의 정수임, 상기 K개의 군집 각각의 대표 주파수를 선정하는 선정모듈, 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 산출모듈, 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 결정모듈을 포함하는 회전 기계 설비의 탁월 주파수 결정 시스템이 제공된다.According to another aspect of the present invention, an acquisition module for acquiring measurement data measured at a predetermined sampling rate during a predetermined measurement period by a vibration sensor that detects vibration of rotating machinery - the measurement data is time domain amplitude data -, high-amplitude clusters with large amplitude and low-amplitude clusters with small amplitudes through a conversion module for converting the measurement data into frequency domain data and 2-means clustering based on the amplitude of the frequency domain data A first classification module that classifies data belonging to the high-amplitude cluster into K clusters through frequency-based K-means clustering—where K is 2 an integer greater than or equal to, a selection module for selecting a representative frequency of each of the K clusters, a calculation module for calculating a sum of amplitudes within a predetermined frequency range centered on the representative frequency of the K clusters, for each of the K clusters, and the K clusters A system for determining the excellent frequency of a rotating machine system is provided, including a determination module for determining, as the excellent frequency, a representative frequency of a subset having the largest sum of amplitudes.
일 실시예에서, 상기 제2분류모듈은, 2 <= j <= K_max인 모든 정수 j에 대하여(K_max는 미리 정해진 K의 최대 값), 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 j-평균 클러스터링을 통해 j개의 군집으로 분류하고, 상기 고진폭 군집에 속하는 i번째 데이터의 실루엣 계수 s(i)를 하기 [수식]에 의해 산출하고(i는 1<=i<=N 인 모든 정수; N은 상기 고진폭 군집에 속하는 데이터의 총 개수), s(1) 내지 s(N)의 평균 값 S(j)를 산출하고, 2 <= j <= K_max 인 모든 정수 j 중에서, S(K)가 S(2) 내지 S(K_max) 중 가장 1에 가까운 값이 되도록 하는 K를 결정할 수 있다.In an embodiment, the second classification module sets data belonging to the high-amplitude cluster to frequency-based j for all integers j where 2 <= j <= K_max (K_max is a predetermined maximum value of K). -Classify into j clusters through average clustering, and calculate the silhouette coefficient s(i) of the i-th data belonging to the high-amplitude cluster by the following [Equation] (i is all integers where 1<=i<=N ; N is the total number of data belonging to the high-amplitude cluster), calculates the average value S(j) of s(1) to s(N), and among all integer j where 2 <= j <= K_max, S ( It is possible to determine K such that K) becomes a value closest to 1 among S(2) to S(K_max).
[수식][formula]
(a(i)는 i번째 데이터와 같은 군집 내의 다른 데이터와의 거리의 평균값, b(i)는 i번째 데이터가 속하지 않은 군집 중 가장 가까운 군집과의 평균 거리임)(a(i) is the average distance between the i-th data and other data in the same cluster, b(i) is the average distance between the nearest cluster among the clusters to which the i-th data does not belong)
일 실시예에서, 상기 변환모듈은, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전 기계 설비가 동작하고 있었는지 여부를 판단하고, 상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에, 상기 측정 데이터를 주파수 도메인 데이터로 변환할 수 있다.In one embodiment, the conversion module determines whether the rotating machine equipment was operating during the measuring period based on the measurement data, and when it is determined that the rotating machine was operating during the measuring period, The measurement data may be converted into frequency domain data.
본 발명의 기술적 사상에 의하면, 비지도학습의 기반인 K-평균 클러스터링 알고리즘 기반하여 회전 기계 설비의 탁월 주파수를 자동으로 탐지할 수 있는 방법 및 시스템을 제공할 수 있다.According to the technical idea of the present invention, it is possible to provide a method and system capable of automatically detecting excellent frequencies of rotating machinery based on the K-means clustering algorithm, which is the basis of unsupervised learning.
또한 회전 기계 설비의 상세한 정보를 수집하지 않더라도 탁월 주파수를 감지하여 범용적인 사용이 가능하다는 장점이 있다.In addition, it has the advantage that it can be used universally by detecting excellent frequencies even if detailed information of rotating machinery is not collected.
또한 주위의 노이즈가 포함된 회전 기계 설비에서 탁월 주파수를 판단하여, 일반적인 주파수 대역을 알고 회전 기계 설비의 변화가 있을 때 트렌드 변화 및 패턴 변화를 알 수 있는 장점이 있다.In addition, it has the advantage of knowing the general frequency band and knowing the trend change and pattern change when there is a change in the rotating machinery equipment by determining the excellent frequency in the rotating machinery equipment containing the ambient noise.
또한 회전기계가 이상(비정상) 상황에 있을 때가 아니라 정상적으로 동작하는 동안에 수집된 데이터로 회전 기계 설비의 탁월 주파수가 탐지되도록 할 수 있다.In addition, it is possible to detect the excellent frequency of rotating machinery equipment with data collected during normal operation, not when the rotating machinery is in an abnormal (abnormal) situation.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 기술적 사상에 따른 회전 기계 설비의 탁월 주파수 결정 방법이 수행되는 환경을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 탁월 주파수 결정 방법을 설명하기 위한 흐름도이다.
도 3은 K-평균 클러스터링 알고리즘의 프로세스를 간략하게 나타낸 것이다.
도 4는 도 3의 S140 단계의 일 예를 보다 구체적으로 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 다른 탁월 주파수 결정 시스템의 개략적인 구성을 도시한 도면이다.In order to more fully understand the drawings cited in the detailed description of the present invention, a brief description of each drawing is provided.
1 is a diagram schematically illustrating an environment in which a method for determining an excellent frequency of a rotating machine device according to the technical idea of the present invention is performed.
2 is a flowchart illustrating a method for determining an excellent frequency according to an embodiment of the present invention.
Figure 3 schematically illustrates the process of the K-means clustering algorithm.
4 is a flowchart illustrating an example of step S140 of FIG. 3 in more detail.
5 is a diagram showing a schematic configuration of an excellent frequency determination system according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 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 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Since the present invention can apply various transformations and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, it should be understood that this is not intended to limit the present invention to specific embodiments, and includes all transformations, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the present invention, if it is determined that a detailed description of related known technologies may obscure the gist of the present invention, the detailed description will be omitted.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 제1, 제2 등의 용어는 특별한 순서를 나타내는 것이 아니며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. Terms such as first and second do not indicate a particular order, and are used only for the purpose of distinguishing one element from another.
본 출원에서 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. Terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise.
본 명세서에 있어서, "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.In this specification, terms such as "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other It should be understood that the presence or addition of features, numbers, steps, operations, components, parts, or combinations thereof is not precluded.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.In addition, in the present specification, when one component 'transmits' data to another component, the component may directly transmit the data to the other component, or through at least one other component. It means that the data can be transmitted to the other component. Conversely, when one component 'directly transmits' data to another component, it means that the data is transmitted from the component to the other component without going through the other component.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings, focusing on embodiments of the present invention. Like reference numerals in each figure indicate like elements.
도 1은 본 발명의 기술적 사상에 따른 회전 기계 설비의 탁월 주파수 결정 방법(이하, '탁월 주파수 결정 방법'이라고 함)이 수행되는 환경을 개략적으로 도시한 도면이다.1 is a diagram schematically illustrating an environment in which a method for determining an excellent frequency of a rotating machine device (hereinafter, referred to as a “method for determining an excellent frequency”) according to the technical spirit of the present invention is performed.
도 1을 참조하면, 본 발명의 일 실시예에 따른 탁월 주파수 결정 방법은 회전 기계 설비의 탁월 주파수 결정 시스템(100; 이하 '탁월 주파수 결정 시스템'이라고 함)에 의해 수행될 수 있다.Referring to FIG. 1 , a method for determining an excellent frequency according to an embodiment of the present invention may be performed by an excellent frequency determining system 100 (hereinafter referred to as 'an excellent frequency determining system') of a rotating machine.
상기 탁월 주파수 결정 시스템(100)은 탁월 주파수 결정 방법을 수행함으로써 회전 기계 설비(10)의 탁월 주파수를 판단할 수 있다. 탁월 주파수란 회전 기계 설비(10)의 파동에 포함된 진동수 성분 중 빈도나 진폭이 다른 주파수에 비하여 탁월하며 일정하게 나오는 주파수를 의미한다.The excellent
한편, 탁월 주파수의 순서가 바뀌거나 새로운 탁월 주파수가 나타나는 경우, 회전 기계의 작동 방식이 변경됐거나 고장 발생의 원인이 될 수 있다. 상기 탁월 주파수 결정 시스템(100)에 의해 판단된 탁월 주파수는 소정의 회전 기계 설비 진단 시스템(200)으로 전달될 수 있으며, 상기 회전 기계 설비 진단 시스템(200; 이하, '진단 시스템'이라고 함)은 상기 탁월 주파수 결정 시스템(100)에 의해 탁월 주파수가 결정된 이후에, 상기 회전 기계 설비(10)가 진동하면서 발생되는 주파수의 탁월 주파수가 상기 탁월 주파수 결정 시스템(100)에 의해 판단된 탁월 주파수와 상이한지 여부를 판단함으로써 상기 회전 기계 설비(10)의 이상 여부를 진단할 수 있다.On the other hand, if the order of the excellent frequencies is changed or a new excellent frequency appears, the operating method of the rotating machine may have changed or cause a failure. The excellent frequency determined by the excellent
상기 탁월 주파수 결정 시스템(100) 및/또는 상기 진단 시스템(200)은 본 발명의 기술적 사상을 구현하기 위한 연산능력을 가진 데이터 처리장치인 컴퓨팅 시스템일 수 있으며, 일반적으로 네트워크를 통해 클라이언트가 접속 가능한 데이터 처리 장치인 서버뿐만 아니라 개인용 컴퓨터나 휴대 단말 등과 같은 컴퓨팅 장치를 포함할 수 있다.The superior
상기 탁월 주파수 결정 시스템(100) 및/또는 상기 진단 시스템(200)은 어느 하나의 물리적 장치로 구현될 수도 있으나, 필요에 따라 복수의 물리적 장치가 유기적으로 결합되어 본 발명의 기술적 사상에 따른 상기 탁월 주파수 결정 시스템(100) 및/또는 상기 진단 시스템(200)을 구현할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.The excellent
상기 탁월 주파수 결정 시스템(100)은 회전 기계 설비(10)의 진동을 감지하는 진동 센서(20)에 의해 소정의 측정기간 동안 측정된 측정 데이터에 기반하여 탁월 주파수를 결정할 수 있다.The excellent
상기 회전 기계 설비(10)는 회전축을 중심으로 회전하는 모터(11)를 포함할 수 있다. 상기 회전 기계 설비(10)에는 적어도 하나의 모터(11)를 포함할 수 있으며 상기 모터(11)는, 예를 들어, DC Motor, Brushless DC Motor, Torque Motor, Stepper Motor, Gear Motor, 보이스코일, 리니어모터 등일 수 있으며, 회전 기계 설비(10)에 내장된 모터(11)는 회전 시 진동을 유발할 수 있다.The
상기 진동 센서(20)는 상기 회전 기계 설비(10)의 진동을 감지하고 상기 회전 기계 설비(10)에 대한 진동을 측정할 수 있다. 상기 진동 센서(20)는 가속도 센서로 구현될 수 있다. 상기 진동 센서(20)는 상기 회전 기계 설비(10)에 접촉하여 설치될 수도 있으며, 상기 회전 기계 설비(10)에서 일정거리만큼 이격된 비접촉식 센서일 수도 있다. The
일 실시예에서 상기 진동 센서(20)는 3축 진동 센서일 수 있다. 이 경우 상기 3축 진동 센서(20)는 상기 회전 기계 설비(10)에 대한 3차원 진동을 측정할 수 있다. 상기 3축 진동 센서(20)는 x축, y축, z축 3방향의 가속도 데이터를 출력하는 3축 가속도 센서 혹은 3축 가속도계로 구현될 수 있다. In one embodiment, the
일 실시예에서, 상기 3축 진동 센서(20)의 한 축(예를 들어, z축)은 상기 회전 기계 설비(10)의 회전축과 수평을 이룰 수 있다.In one embodiment, one axis (eg, z-axis) of the 3-
상기 진동 센서(20)는 무선통신모듈을 구비할 수 있으며 이를 통하여 상기 탁월 주파수 결정 시스템(100) 및 상기 진단 시스템(200)과 무선통신을 수행할 수 있다. 상기 무선통신모듈은, 예를 들어, 3G, LTE, LTE-A, Wi-Fi, WiGig, Ultra Wide Band(UWB) 등의 원거리 무선 통신 방식 혹은 MST, Bluetooth, NFC, RFID, ZigBee, Z-Wave, IR 등의 근거리 무선 통신 방식으로 상기 탁월 주파수 결정 시스템(100) 및 상기 진단 시스템(200)과 통신할 수 있다. 또는 상기 진동 센서(20)는 상기 3축 진동 센서(20)와 무선통신을 수행하며, 상기 탁월 주파수 결정 시스템(100) 및 상기 진단 시스템(200)과 유선통신을 수행하는 무선 중계장치(미도시)을 통해 상기 탁월 주파수 결정 시스템(100) 및 상기 진단 시스템(200)과 통신을 수행할 수도 있다.The
도 1에서는 편의상 필터링 주파수를 측정하는데 이용되는 기계와 진단 대상이 되는 기계를 동일한 것으로 도시하였으나, 실제 구현에서는 당연히 필터링 주파수를 측정하는데 이용되는 기계와 진단 대상이 되는 기계는 상이할 수 있다.In FIG. 1, for convenience, the machine used to measure the filtering frequency and the machine to be diagnosed are shown as the same, but in actual implementation, the machine used to measure the filtering frequency and the machine to be diagnosed may be different.
실시예에 따라, 상기 탁월 주파수 결정 시스템(100) 및 상기 진단 시스템(200)은 서로 분리된 형태로 구현될 수도 있고 하나의 시스템으로 구현될 수도 있다. 또는 상기 탁월 주파수 결정 시스템(100) 및/또는 상기 진단 시스템(200)은 소정의 모(母) 시스템의 서브 시스템의 형태로 구현될 수도 있다.Depending on the embodiment, the excellent
도 2는 본 발명의 일 실시예에 따른 탁월 주파수 결정 방법을 설명하기 위한 흐름도이다.2 is a flowchart illustrating a method for determining an excellent frequency according to an embodiment of the present invention.
도 2를 참조하면, 상기 탁월 주파수 결정 시스템(100)은 회전 기계 설비(10)의 진동을 감지하는 진동 센서(20)에 의해 소정의 측정기간 동안 소정의 샘플링 레이트로 측정된 측정 데이터를 획득할 수 있다(S100). 예를 들어, 상기 탁월 주파수 결정 시스템(100)은 진동 센서(20)로부터 초당 3,300회의 빈도로 1초 동안의 진동 데이터를 획득할 수 있다.Referring to FIG. 2, the superior
이후 상기 탁월 주파수 결정 시스템(100)은 상기 측정 데이터를 푸리에 변환을 통해 주파수 도메인 데이터로 변환할 수 있다(S120).Then, the excellent
상기 측정 데이터는 시간 도메인 진폭 데이터, 즉 시간을 x축으로 하고 진폭을 y축으로 하는 데이터인데, 상기 탁월 주파수 결정 시스템(100)은 시간 도메인 데이터인 측정 데이터를 푸리에 변환을 통해 주파수 도메인 데이터로 변환할 수 있다. 푸리에 변환은 잘 알려져 있는 바와 같이, 시간 도메인의 함수(혹은 신호)를 함수를 구성하고 있는 주파수 성분으로 분해하는 작업을 의미한다. 일 실시예에서 상기 탁월 주파수 결정 시스템(100) 고속 푸리에 변환 알고리즘을 통하여 상기 측정 데이터를 도메인 데이터로 변환할 수 있다.The measurement data is time domain amplitude data, that is, data with time as the x-axis and amplitude as the y-axis. can do. As is well known, Fourier transform means an operation of decomposing a function (or signal) in the time domain into frequency components constituting the function. In one embodiment, the measured data may be converted into domain data through a fast Fourier transform algorithm of the superior
푸리에 변환할 때에 스펙트럴 리키지(Spectral Leakage) 현상이 발생할 수 있으므로 상기 탁월 주파수 결정 시스템(100)은 상기 측정 데이터를 푸리에 변환하는 수행하는 과정 이전에 Windowing 함수를 사용한 전처리 과정을 더 수행할 수 있다.Since a spectral leakage phenomenon may occur during Fourier transform, the excellent
상기 탁월 주파수 결정 시스템(100)은 상기 주파수 도메인 데이터를 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류할 수 있다(S130).The superior
2-평균 클러스터링은 K가 2인 K-평균 클러스터링이다. 2-means clustering is K-means clustering where K equals 2.
K-평균 클러스터링은 군집 알고리즘의 일종이다. 군집화는 주어진 입력 데이터를 유사한 특징을 가지는 데이터끼리 그룹화하는 것이다. 군집 내의 데이터 간의 유사성을 극대화하고, 군집 간의 유사성을 극소화 하는 것이 목표이다. 해당 알고리즘은 주어진 데이터를 K개의 클러스터로 묶는 알고리즘이다. 이 때, K는 데이터셋에서 찾을 것으로 예상되는 클러스터의 개수이며, 데이터셋의 개수보다 작아야 한다. 각 클러스터 내의 데이터들과 평균점의 거리 차이의 분산을 최소화하는 방식으로 동작한다. 이 때, 거리 차이는 유클리드 거리(Euclidean distance)로 계산한다.K-means clustering is a kind of clustering algorithm. Clustering is to group given input data with data having similar characteristics. The goal is to maximize similarity between data within clusters and minimize similarity between clusters. This algorithm is an algorithm that groups the given data into K clusters. At this time, K is the number of clusters expected to be found in the dataset, and must be smaller than the number of datasets. It operates in a way that minimizes the variance of the distance difference between the data in each cluster and the average point. At this time, the distance difference is calculated by Euclidean distance.
도 3은 K-평균 클러스터링 알고리즘의 프로세스를 간략하게 나타낸 것이다. 도 3(a)와 같이 K개의 임의의 중심점이 배치된다. 그 후, 도 3(b)처럼 각 데이터들을 가장 가까운 중심점으로 할당하며 K개의 군집을 형성하게 된다. 각 데이터로부터 그 데이터가 속한 클러스터의 중심까지의 평균 거리가 최소화가 되는 것을 목표로 하며, 군집으로 지정된 데이터들을 기반으로 해당 군집의 중심점을 업데이트한다. 그리고 도 3(c)와 같이 더 이상 중심점이 업데이트가 되지 않을 때까지 반복한다.Figure 3 schematically illustrates the process of the K-means clustering algorithm. As shown in FIG. 3(a), K random center points are arranged. Then, as shown in FIG. 3(b), K clusters are formed by assigning each data to the nearest central point. It aims to minimize the average distance from each data point to the center of the cluster to which the data belongs, and updates the center point of the corresponding cluster based on the data designated as clusters. And it repeats until the center point is no longer updated as shown in FIG. 3(c).
탁월 주파수는 주파수 대역 중 상대적으로 큰 진폭을 가져야 한다. 따라서, S130 단계에서는 진폭 크기 기준으로 K를 2로 지정하여 K-평균 클러스터링 알고리즘에 적용하여 주파수 도메인 데이터를 2 개의 군집(즉, 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집)으로 분류한다. 보다 상세하게는 상기 탁월 주파수 결정 시스템(100)은 2개의 군집 내 중심점인 진폭의 평균을 계산하여 평균 진폭이 큰 군집을 탁월 주파수가 있는 군집(즉, 고진폭 군집)으로 채택한다.The dominant frequency must have a relatively large amplitude in the frequency band. Therefore, in step S130, K is set to 2 based on the amplitude size and applied to the K-means clustering algorithm to classify the frequency domain data into two clusters (ie, high-amplitude clusters with large amplitudes and low-amplitude clusters with small amplitudes). . More specifically, the superior
다시 도 2를 참조하면, 상기 탁월 주파수 결정 시스템(100)은 S130 단계에서 분류된 고진폭 군집에 속하는 데이터에 다시 K-평균 클러스터링을 적용하여 상기 고진폭 군집에 속하는 데이터를 K개의 군집으로 분류할 수 있다(S140). 여기서 K는 2 이상의 정수이다.Referring back to FIG. 2 , the superior
회전 기계 설비가 설치된 실제 현장에서는 빈번하게 주변 환경의 노이즈로 인해 회전 기계 설비의 회전 주파수보다 큰 주파수가 측정된다. 하지만 노이즈 주파수는 일관하게 나타나지 않기 때문에 일관적으로 탁월한 진폭을 가지는 주파수가 탁월 주파수라고 정의할 수 있다. 그래서 S140 단계에서는 S130 단계에서 고진폭 군집으로 분류된 데이터 중 일정 비율 이상 존재하는 주파수 대역이 일관성이 있는 데이터라고 판단한다. 또한, 노이즈 주파수는 회전 주파수에 영향을 줄 수 있기 때문에 노이즈 주파수를 함부로 배제하기에는 어렵다. 그래서 진폭이 큰 탁월 주파수를 중심으로 주위의 노이즈 주파수들을 군집으로 묶어 탁월 주파수 대역을 군집 별로 파악한다. 이를 위해서 S140 단계에서 고진폭 군집으로 분류된 데이터에 주파수를 기준으로 하는 K-평균 클러스터링 알고리즘을 적용하여 포괄적으로 탁월 주파수 대역을 선정하는 것이다.In actual sites where rotating machinery facilities are installed, a frequency greater than the rotational frequency of rotating machinery facilities is frequently measured due to noise in the surrounding environment. However, since noise frequencies do not appear consistently, a frequency with a consistently excellent amplitude can be defined as an excellent frequency. Therefore, in step S140, among the data classified as high-amplitude clusters in step S130, it is determined that a frequency band existing at a certain rate or more is consistent data. In addition, since the noise frequency may affect the rotation frequency, it is difficult to arbitrarily exclude the noise frequency. Therefore, the excellent frequency bands are identified for each cluster by grouping noise frequencies around the excellent frequency having a large amplitude as a center. To this end, a frequency-based K-means clustering algorithm is applied to the data classified as high-amplitude clusters in step S140 to comprehensively select excellent frequency bands.
한편, 상기 탁월 주파수 결정 시스템(100)은 S140 단계에서 수행된 주파수 기준 K-평균 클러스터링 결과에 대한 최종 클러스터를 바탕으로 탁월 주파수 대역을 선정할 수 있다. 이때, 각 클러스터의 진폭의 합이 클수록 탁월성이 크므로 우선순위를 높게 할당한다.Meanwhile, the excellent
보다 상세하게는 상기 탁월 주파수 결정 시스템(100)은 먼저 S140 단계에서 분류된 K개의 군집 각각의 대표 주파수를 선정할 수 있다(S150). 대표 주파수는 각 군집에서 가장 높은 진폭을 가지는 주파수일 수 있다.More specifically, the excellent
또한 상기 탁월 주파수 결정 시스템(100)은 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출할 수 있다(S160). 예를 들어 상기 탁월 주파수 결정 시스템(100)은 [대표 주파수-15 Hz]부터 [대표 주파수+15 Hz]까지의 범위 내에 속하는 각 주파수의 진폭합을 산출할 수 있다.Also, for each of the K clusters, the excellent
이후 상기 탁월 주파수 결정 시스템(100)은 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정할 수 있다(S170). 또한 상기 탁월 주파수 결정 시스템(100)은 진폭합의 크기가 클수록 더 탁월한 주파수로 결정할 수도 있다.Thereafter, the excellent
한편, 일 실시예에서, 상기 탁월 주파수 결정 시스템(100)은 상기 회전 기계 설비(10)가 멈춘 상태가 아니라 동작하고 있었다고 판단된 경우 한하여, S120 내지 S170 단계를 수행할 수 있다(도 2의 S110 참조).On the other hand, in one embodiment, the excellent
일 실시예에서, 상기 탁월 주파수 결정 시스템(100)은 상기 측정 데이터의 최소 값이 소정의 임계값 이하인 경우에 상기 회전 기계 설비(10)가 멈춘 상태라고 판단할 수 있으며, 상기 임계값을 넘는 경우에 S120 내지 S170 단계를 수행할 수 있다. 또는 상기 탁월 주파수 결정 시스템(100)은 상기 측정 데이터가 대칭성을 가지는지 여부를 판단하고 대칭성을 가지는 경우에만 S120 내지 S170 단계를 수행할 수 있다. 또는 상기 탁월 주파수 결정 시스템(100)은 상기 측정 데이터의 최소 값이 소정의 임계값 이상이며 대칭성을 가지는 경우에만 S120 내지 S170 단계를 수행할 수 있다. 측정 데이터가 대칭성을 가진다고 함은 상기 측정 데이터를 측정 기간의 절반 시점을 기준으로 나눈 두 부분이 유사한 특징을 가짐을 의미할 수 있다. 두 부분이 유사한 특징을 가진다고 함은 두 부분의 대표 값(예를 들어, 평균 값 또는 중간 값)이 동일하거나 두 부분의 대표 값의 차이가 일정 값 이하임을 의미할 수 있다.In one embodiment, the excellent
한편, S140 단계에서 K가 임의로 설정될 경우 경우 군집화의 성능이 좋지 않을 가능성이 높기 때문에 데이터에 따라 K가 유동적으로 달리 정해질 수 있도록 할 수 있는데, 그 예가 도 4에 도시되어 있다. 도 4는 도 3의 S140 단계의 일 예를 보다 구체적으로 도시한 흐름도이다.On the other hand, if K is arbitrarily set in step S140, clustering performance is highly likely to be poor, so K can be flexibly determined according to data, an example of which is shown in FIG. 4 . 4 is a flowchart illustrating an example of step S140 of FIG. 3 in more detail.
도 4를 참조하면 상기 탁월 주파수 결정 시스템(100)은 2<=j<=K_max인 모든 정수 j에 대하여(여기서, K_max는 미리 정해진 K의 최대 값임), 실루엣 점수 S(j)를 산출할 수 있다(S141).Referring to FIG. 4, the excellent
보다 상세하게는 상기 탁월 주파수 결정 시스템(100)은 각각의 j에 대하여, 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 j-평균 클러스터링을 통해 j개의 군집으로 분류하고(S142), 상기 고진폭 군집에 속하는 각 데이터의 실루엣 계수를 하기 [수식]에 의해 산출할 수 있다(S143, S144).More specifically, for each j, the excellent
[수식][formula]
위 수식에서 i는 1<=i<=N 인 모든 정수이며, N은 상기 고진폭 군집에 속하는 데이터의 총 개수이다. 또한 s(i)는 상기 고진폭 군집에 속하는 i번째 데이터의 실루엣 계수이며, a(i)는 i번째 데이터와 같은 군집 내의 다른 데이터와의 거리의 평균값이고, b(i)는 i번째 데이터가 속하지 않은 군집 중 가장 가까운 군집과의 평균 거리이다.In the above formula, i is all integers of 1<=i<=N, and N is the total number of data belonging to the high-amplitude cluster. In addition, s(i) is the silhouette coefficient of the ith data belonging to the high-amplitude cluster, a(i) is the average value of the distance to other data in the same cluster as the ith data, and b(i) is the i-th data It is the average distance from the nearest cluster among non-membered clusters.
이후 상기 탁월 주파수 결정 시스템(100)은 s(1) 내지 s(N)의 평균 값 S(j)를 산출할 수 있다(S145).Then, the excellent
S(1)부터 S(j)가 모두 산출된 이후 상기 탁월 주파수 결정 시스템(100)은 2 <= j <= K_max 인 모든 정수 j 중에서, S(K)가 S(2) 내지 S(K_max) 중 가장 1에 가까운 값이 되도록 하는 K를 결정할 수 있다(S146).After all of S(1) to S(j) are calculated, the excellent
한편 상기 진동 센서(200)가 3중 진동 센서인 경우, 각 측정 데이터는 x축 데이터, y축 데이터, z축 데이터를 포함할 수 있다. 즉, 각 측정 데이터는 3차원 벡터의 형태일 수 있으며, x축 데이터는 상기 3축 진동 센서(20)가 측정한 진동의 x축 방향 데이터이며, y축 데이터는 상기 3축 진동 센서(20)가 측정한 진동의 y축 방향 데이터이며, z축 데이터는 상기 3축 진동 센서(20)가 측정한 진동의 z축 방향 데이터이다. 이 경우 상기 탁월 주파수 결정 시스템(100)은 x축 데이터, y축 데이터, z축 데이터 각각에 대하여 상술한 탁월 주파수 결정 방법을 수행함으로써, x축 진동, y축 진동, z축 진동 각각에 대한 탁월 주파수를 결정할 수 있다.Meanwhile, when the
한편 상기 탁월 주파수 결정 시스템(100)이 결정한 탁월 주파수는 이후 상기 회전 기계 설비의 이상 여부를 판단하는데 이용될 수 있으며, 그 외에도 상기 회전 기계 설비(10)의 예지보전에 이용될 수 있다.Meanwhile, the excellent frequency determined by the excellent
도 5는 본 발명의 일 실시예에 다른 탁월 주파수 결정 시스템(100)의 개략적인 구성을 도시한 도면이다.5 is a diagram showing a schematic configuration of an excellent
상기 탁월 주파수 결정 시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 필요한 하드웨어 리소스(resource) 및/또는 소프트웨어를 구비한 논리적인 구성을 의미할 수 있으며, 반드시 하나의 물리적인 구성요소를 의미하거나 하나의 장치를 의미하는 것은 아니다. 즉, 상기 탁월 주파수 결정 시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 구비되는 하드웨어 및/또는 소프트웨어의 논리적인 결합을 의미할 수 있으며, 필요한 경우에는 서로 이격된 장치에 설치되어 각각의 기능을 수행함으로써 본 발명의 기술적 사상을 구현하기 위한 논리적인 구성들의 집합으로 구현될 수도 있다. 또한, 상기 탁월 주파수 결정 시스템(100)은 본 발명의 기술적 사상을 구현하기 위한 각각의 기능 또는 역할별로 별도로 구현되는 구성들의 집합을 의미할 수도 있다. 탁월 주파수 결정 시스템(100)의 각 구성은 서로 다른 물리적 장치에 위치할 수도 있고, 동일한 물리적 장치에 위치할 수도 있다. 또한, 구현 예에 따라서는 상기 탁월 주파수 결정 시스템(100)의 구성 요소 각각을 구성하는 소프트웨어 및/또는 하드웨어의 결합 역시 서로 다른 물리적 장치에 위치하고, 서로 다른 물리적 장치에 위치한 구성들이 서로 유기적으로 결합되어 각각의 상기 모듈들을 구현할 수도 있다. The excellent
또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스(resource)의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.Also, in this specification, a module may mean a functional and structural combination of hardware for implementing the technical concept of the present invention and software for driving the hardware. For example, the module may mean a logical unit of a predetermined code and a hardware resource for executing the predetermined code, and does not necessarily mean a physically connected code or one type of hardware. can be easily deduced to an average expert in the art of the present invention.
도 5를 참조하면, 상기 탁월 주파수 결정 시스템(100)은 획득모듈(110), 변환모듈(120), 제1분류모듈(130), 제2분류모듈(140), 선정모듈(150), 산출모듈(160), 결정모듈(170)을 포함할 수 있다. 본 발명의 실시예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시예에 따라 상기 탁월 주파수 결정 시스템(100)은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다. 예를 들어 상기 탁월 주파수 결정 시스템(100)은 상기 진동 센서(20)와 통신하기 위한 통신모듈(미도시), 상기 탁월 주파수 결정 시스템(100)의 구성요소 및 리소스를 제어하기 위한 제어모듈(미도시)을 더 포함할 수 있다.Referring to FIG. 5 , the excellent
상기 획득모듈(120)은 회전 기계 설비(예를 들어, 10)의 진동을 감지하는 진동 센서(예를 들어, 20)에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득할 수 있다. 상기 측정 데이터는 앞서 설명한 바와 같이 소정의 샘플링 레이트로 측정한 시간 도메인 진폭 데이터일 수 있다.The
상기 주파수 도메인 변환모듈(120)은 상기 측정 데이터를 푸리에 변환 알고리즘을 통해 주파수 도메인 데이터로 변환할 수 있다.The frequency
상기 제1분류모듈(130)은 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류할 수 있다.The
상기 제2분류모듈(140)은 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류할 수 있다. 여기서 K는 2 이상의 정수이다.The
상기 선정모듈(150)은 상기 K개의 군집 각각의 대표 주파수를 선정할 수 있다. 상기 선정모듈(150)은 가장 높은 진폭을 가지는 주파수를 대표 주파수로 선정할 수 있다.The
상기 산출모듈(160)은 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출할 수 있으며, 상기 결정모듈(170)은 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정할 수 있다.For each of the K clusters, the
한편, 구현 예에 따라서, 상기 탁월 주파수 결정 시스템(100) 및 진단 시스템(200)은 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함할 수 있다. 상기 프로세서는 싱글 코어 CPU혹은 멀티 코어 CPU를 포함할 수 있다. 메모리는 고속 랜덤 액세스 메모리를 포함할 수 있고 하나 이상의 자기 디스크 저장 장치, 플래시 메모리 장치, 또는 기타 비휘발성 고체상태 메모리 장치와 같은 비휘발성 메모리를 포함할 수도 있다. 프로세서 및 기타 구성 요소에 의한 메모리로의 액세스는 메모리 컨트롤러에 의해 제어될 수 있다. Meanwhile, according to an embodiment, the excellent
한편, 본 발명의 실시예에 따른 방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.On the other hand, the method according to the embodiment of the present invention may be implemented in the form of computer-readable program instructions and stored in a computer-readable recording medium, and the control program and target program according to the embodiment of the present invention are also computer-readable. It can be stored on a readable recording medium. The computer-readable recording medium includes all types of recording devices in which data that can be read by a computer system is stored.
기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.Program commands recorded on the recording medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in the software field.
컴퓨터로 읽을 수 있는 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, floptical disks and hardware devices specially configured to store and execute program instructions, such as magneto-optical media and ROM, RAM, flash memory, and the like. In addition, the computer-readable recording medium is distributed in computer systems connected through a network, so that computer-readable codes can be stored and executed in a distributed manner.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.Examples of program instructions include high-level language codes that can be executed by a device that electronically processes information using an interpreter, for example, a computer, as well as machine code generated by a compiler.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may also be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts thereof should be construed as being included in the scope of the present invention. .
Claims (17)
상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계; 및
상기 컴퓨팅 시스템이, 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 단계;
상기 컴퓨팅 시스템이, 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계-여기서 K는 2 이상의 정수임;
상기 컴퓨팅 시스템이, 상기 K개의 군집 각각의 대표 주파수를 선정하는 단계;
상기 컴퓨팅 시스템이, 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 단계; 및
상기 컴퓨팅 시스템이, 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 단계를 포함하는 회전 기계 설비의 탁월 주파수 결정 방법.
obtaining, by a computing system, measurement data measured at a predetermined sampling rate for a predetermined measurement period by a vibration sensor that senses vibration of a rotating machine, the measurement data being time domain amplitude data;
converting, by the computing system, the measurement data into frequency domain data; and
classifying, by the computing system, the frequency domain data into high-amplitude clusters with large amplitudes and low-amplitude clusters with small amplitudes through 2-means clustering based on amplitudes;
classifying, by the computing system, data belonging to the classified high-amplitude cluster into K clusters through frequency-based K-means clustering, where K is an integer greater than or equal to 2;
selecting, by the computing system, a representative frequency of each of the K clusters;
calculating, by the computing system, for each of the K clusters, a sum of amplitudes within a predetermined frequency range centered on a representative frequency of the cluster; and
and determining, by the computing system, representative frequencies of some clusters having the largest sum of amplitudes among the K clusters as excellent frequencies.
상기 분류된 상기 고진폭 군집에 속하는 데이터를 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계는,
2 <= j <= K_max인 모든 정수 j에 대하여(K_max는 미리 정해진 K의 최대 값), 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 j-평균 클러스터링을 통해 j개의 군집으로 분류하고, 상기 고진폭 군집에 속하는 i번째 데이터의 실루엣 계수 s(i)를 하기 [수식]에 의해 산출하고(i는 1<=i<=N 인 모든 정수; N은 상기 고진폭 군집에 속하는 데이터의 총 개수), s(1) 내지 s(N)의 평균 값 S(j)를 산출하는 단계; 및
2 <= j <= K_max 인 모든 정수 j 중에서, S(K)가 S(2) 내지 S(K_max) 중 가장 1에 가까운 값이 되도록 하는 K를 결정하는 단계를 포함하는 회전 기계 설비의 탁월 주파수 결정 방법.
[수식]
(a(i)는 i번째 데이터와 같은 군집 내의 다른 데이터와의 거리의 평균값, b(i)는 i번째 데이터가 속하지 않은 군집 중 가장 가까운 군집과의 평균 거리임)
According to claim 1,
The step of classifying the classified data belonging to the high amplitude cluster into K clusters through K-means clustering,
For all integers j where 2 <= j <= K_max (K_max is the maximum value of a predetermined K), the data belonging to the high-amplitude cluster is classified into j clusters through j-average clustering based on frequency, The silhouette coefficient s(i) of the i-th data belonging to the high amplitude cluster is calculated by the following [Equation] (i is all integers in which 1<=i<=N; N is the total number of data belonging to the high amplitude cluster number), calculating an average value S(j) of s(1) to s(N); and
Out of all integers j where 2 <= j <= K_max, determining K such that S(K) is the value closest to 1 among S(2) to S(K_max) How to decide.
[formula]
(a(i) is the average distance between the i-th data and other data in the same cluster, b(i) is the average distance between the nearest cluster among the clusters to which the i-th data does not belong)
상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전 기계 설비가 동작하고 있었는지 여부를 판단하는 단계를 더 포함하고,
상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계는,
상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에 수행되는 회전 기계 설비의 탁월 주파수 결정 방법.
According to claim 1,
Further comprising determining, by the computing system, whether the rotating machinery equipment was operating during the measurement period based on the measurement data;
The step of converting, by the computing system, the measurement data into frequency domain data,
A method for determining the superior frequency of a rotating machine equipment performed when it is determined that the rotating machine was operating during the measuring period.
상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는,
상기 측정 데이터의 최소 값이 소정의 임계값 이하인지 여부를 판단하는 단계를 포함하는 회전 기계 설비의 탁월 주파수 결정 방법.
According to claim 3,
The step of determining, by the computing system, whether the rotary machine was operating during the measurement period based on the measurement data,
and determining whether the minimum value of the measurement data is less than or equal to a predetermined threshold value.
상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는,
상기 측정 데이터가 대칭성을 가지는지 여부를 판단하는 단계를 포함하는 회전 기계 설비의 탁월 주파수 결정 방법.
According to claim 3,
The step of determining, by the computing system, whether the rotary machine was operating during the measurement period based on the measurement data,
A method for determining the superior frequency of a rotating machine system comprising the step of determining whether the measured data has symmetry.
상기 진동 센서는 3축 진동 센서이며,
상기 측정 데이터는 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터 중 어느 하나인 것을 특징으로 하는 회전 기계 설비의 탁월 주파수 결정 방법.
According to claim 1,
The vibration sensor is a three-axis vibration sensor,
Wherein the measurement data is any one of x-axis data, y-axis data and z-axis data output from the three-axis vibration sensor.
A computer program installed in a data processing device and recorded on a medium for performing the method according to any one of claims 1 to 6.
A computer readable recording medium on which a computer program for performing the method according to any one of claims 1 to 6 is recorded.
프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고,
상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 컴퓨팅 시스템이 회전 기계 설비의 탁월 주파수 결정 방법을 수행하도록 제어하고,
상기 회전 기계 설비의 탁월 주파수 결정 방법은,
컴퓨팅 시스템이, 회전 기계 설비의 진동을 감지하는 진동 센서에 의해 소정의 측정기간 동안 소정의 샘플링 레이트로 측정한 측정 데이터를 획득하는 단계-상기 측정 데이터는 시간 도메인 진폭 데이터임-;
상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계; 및
상기 컴퓨팅 시스템이, 상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 단계;
상기 컴퓨팅 시스템이, 분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계-여기서 K는 2 이상의 정수임;
상기 컴퓨팅 시스템이, 상기 K개의 군집 각각의 대표 주파수를 선정하는 단계;
상기 컴퓨팅 시스템이, 상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 단계; 및
상기 컴퓨팅 시스템이, 상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 단계를 포함하는 컴퓨팅 시스템.
As a computing system,
processor; and a memory for storing a computer program;
the computer program, when executed by the processor, controls the computing system to perform a method for determining the superior frequency of a rotating machine;
The method for determining the excellent frequency of the rotating machine equipment,
acquiring, by a computing system, measurement data measured at a predetermined sampling rate for a predetermined measurement period by a vibration sensor that senses vibration of a rotating machine, the measurement data being time domain amplitude data;
converting, by the computing system, the measurement data into frequency domain data; and
classifying, by the computing system, the frequency domain data into high-amplitude clusters with large amplitudes and low-amplitude clusters with small amplitudes through 2-means clustering based on amplitudes;
classifying, by the computing system, data belonging to the classified high-amplitude cluster into K clusters through frequency-based K-means clustering, where K is an integer greater than or equal to 2;
selecting, by the computing system, a representative frequency of each of the K clusters;
calculating, by the computing system, for each of the K clusters, a sum of amplitudes within a predetermined frequency range centered on a representative frequency of the cluster; and
and determining, by the computing system, a representative frequency of some of the K clusters having the largest magnitude of an amplitude sum as an excellent frequency.
상기 분류된 상기 고진폭 군집에 속하는 데이터를 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 단계는,
2 <= j <= K_max인 모든 정수 j에 대하여(K_max는 미리 정해진 K의 최대 값), 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 j-평균 클러스터링을 통해 j개의 군집으로 분류하고, 상기 고진폭 군집에 속하는 i번째 데이터의 실루엣 계수 s(i)를 하기 [수식]에 의해 산출하고(i는 1<=i<=N 인 모든 정수; N은 상기 고진폭 군집에 속하는 데이터의 총 개수), s(1) 내지 s(N)의 평균 값 S(j)를 산출하는 단계; 및
2 <= j <= K_max 인 모든 정수 j 중에서, S(K)가 S(2) 내지 S(K_max) 중 가장 1에 가까운 값이 되도록 하는 K를 결정하는 단계를 포함하는 컴퓨팅 시스템.
[수식]
(a(i)는 i번째 데이터와 같은 군집 내의 다른 데이터와의 거리의 평균값, b(i)는 i번째 데이터가 속하지 않은 군집 중 가장 가까운 군집과의 평균 거리임)
According to claim 9,
The step of classifying the classified data belonging to the high amplitude cluster into K clusters through K-means clustering,
For all integers j where 2 <= j <= K_max (K_max is the maximum value of a predetermined K), the data belonging to the high-amplitude cluster is classified into j clusters through j-average clustering based on frequency, The silhouette coefficient s(i) of the i-th data belonging to the high amplitude cluster is calculated by the following [Equation] (i is all integers in which 1<=i<=N; N is the total number of data belonging to the high amplitude cluster number), calculating an average value S(j) of s(1) to s(N); and
and determining K such that S(K) is a value closest to 1 among S(2) to S(K_max) among all integers j where 2 <= j <= K_max.
[formula]
(a(i) is the average distance between the i-th data and other data in the same cluster, b(i) is the average distance between the nearest cluster among the clusters to which the i-th data does not belong)
상기 회전 기계 설비의 탁월 주파수 결정 방법은,
상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전 기계 설비가 동작하고 있었는지 여부를 판단하는 단계를 더 포함하고,
상기 컴퓨팅 시스템이, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 단계는,
상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에 수행되는 컴퓨팅 시스템.
According to claim 9,
The method for determining the excellent frequency of the rotating machine equipment,
Further comprising determining, by the computing system, whether the rotating machinery equipment was operating during the measurement period based on the measurement data;
The step of converting, by the computing system, the measurement data into frequency domain data,
A computing system executed when it is determined that the rotating machine was operating during the measurement period.
상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는,
상기 측정 데이터의 최소 값이 소정의 임계값 이하인지 여부를 판단하는 단계를 포함하는 컴퓨팅 시스템.
According to claim 11,
The step of determining, by the computing system, whether the rotary machine was operating during the measurement period based on the measurement data,
and determining whether a minimum value of the measurement data is equal to or less than a predetermined threshold value.
상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는,
상기 측정 데이터가 대칭성을 가지는지 여부를 판단하는 단계를 포함하는 컴퓨팅 시스템.
According to claim 11,
The step of determining, by the computing system, whether the rotary machine was operating during the measurement period based on the measurement data,
and determining whether the measurement data has symmetry.
상기 진동 센서는 3축 진동 센서이며,
상기 측정 데이터는 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터 중 어느 하나인 것을 특징으로 하는 회전 기계 설비의 탁월 주파수 결정 방법.
According to claim 9,
The vibration sensor is a three-axis vibration sensor,
Wherein the measurement data is any one of x-axis data, y-axis data and z-axis data output from the three-axis vibration sensor.
상기 측정 데이터를 주파수 도메인 데이터로 변환하는 변환모듈; 및
상기 주파수 도메인 데이터를 진폭을 기준으로 하는 2-평균 클러스터링(2-means clustering)을 통해 진폭이 큰 고진폭 군집과 진폭이 작은 저진폭 군집으로 분류하는 제1분류모듈;
분류된 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 K-평균 클러스터링(K-means clustering)을 통해 K개의 군집으로 분류하는 제2분류모듈-여기서 K는 2 이상의 정수임;
상기 K개의 군집 각각의 대표 주파수를 선정하는 선정모듈;
상기 K개의 군집 각각에 대하여, 상기 군집의 대표 주파수가 중심인 소정의 주파수 범위 내의 진폭합을 산출하는 산출모듈; 및
상기 K개의 군집 중 진폭합의 크기가 가장 큰 일부 군집의 대표 주파수를 탁월 주파수로 결정하는 결정모듈을 포함하는 회전 기계 설비의 탁월 주파수 결정 시스템.
an acquisition module for obtaining measurement data measured at a predetermined sampling rate during a predetermined measurement period by a vibration sensor that detects vibration of rotating machinery, the measurement data being time domain amplitude data;
a conversion module for converting the measurement data into frequency domain data; and
a first classification module for classifying the frequency domain data into high-amplitude clusters having large amplitudes and low-amplitude clusters having small amplitudes through 2-means clustering based on amplitudes;
a second classification module for classifying data belonging to the classified high-amplitude clusters into K clusters through frequency-based K-means clustering, where K is an integer greater than or equal to 2;
a selection module for selecting a representative frequency of each of the K clusters;
a calculation module for calculating a sum of amplitudes within a predetermined frequency range centered on a representative frequency of the cluster for each of the K clusters; and
An excellent frequency determination system for rotating machinery comprising a determination module for determining, as an excellent frequency, a representative frequency of some cluster having the largest sum of amplitudes among the K clusters.
상기 제2분류모듈은,
2 <= j <= K_max인 모든 정수 j에 대하여(K_max는 미리 정해진 K의 최대 값), 상기 고진폭 군집에 속하는 데이터를 주파수를 기준으로 하는 j-평균 클러스터링을 통해 j개의 군집으로 분류하고, 상기 고진폭 군집에 속하는 i번째 데이터의 실루엣 계수 s(i)를 하기 [수식]에 의해 산출하고(i는 1<=i<=N 인 모든 정수; N은 상기 고진폭 군집에 속하는 데이터의 총 개수), s(1) 내지 s(N)의 평균 값 S(j)를 산출하는 단계; 및
2 <= j <= K_max 인 모든 정수 j 중에서, S(K)가 S(2) 내지 S(K_max) 중 가장 1에 가까운 값이 되도록 하는 K를 결정하는 회전 기계 설비의 탁월 주파수 결정 시스템.
[수식]
(a(i)는 i번째 데이터와 같은 군집 내의 다른 데이터와의 거리의 평균값, b(i)는 i번째 데이터가 속하지 않은 군집 중 가장 가까운 군집과의 평균 거리임)
According to claim 15,
The second classification module,
For all integers j where 2 <= j <= K_max (K_max is the maximum value of a predetermined K), the data belonging to the high-amplitude cluster is classified into j clusters through j-average clustering based on frequency, The silhouette coefficient s(i) of the i-th data belonging to the high amplitude cluster is calculated by the following [Equation] (i is all integers in which 1<=i<=N; N is the total number of data belonging to the high amplitude cluster number), calculating an average value S(j) of s(1) to s(N); and
A superior frequency determination system for rotating machinery that determines K such that, among all integers j where 2 <= j <= K_max, S(K) is the value closest to 1 among S(2) to S(K_max).
[formula]
(a(i) is the average distance between the i-th data and other data in the same cluster, b(i) is the average distance between the nearest cluster among the clusters to which the i-th data does not belong)
상기 변환모듈은,
상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전 기계 설비가 동작하고 있었는지 여부를 판단하고,
상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에, 상기 측정 데이터를 주파수 도메인 데이터로 변환하는 회전 기계 설비의 탁월 주파수 결정 시스템.According to claim 15,
The conversion module,
Based on the measurement data, it is determined whether the rotating machinery equipment was operating during the measurement period;
A superior frequency determination system for rotating machinery equipment that converts the measurement data into frequency domain data when it is determined that the rotating machinery has been operating during the measurement period.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210190732A KR20230100999A (en) | 2021-12-29 | 2021-12-29 | Method for determining dominant frequency of rotating machinery facilities, and computing system performing the same |
| PCT/KR2022/021381 WO2023128552A1 (en) | 2021-12-29 | 2022-12-27 | Method for determining dominant frequency of rotating mechanical equipment, and computing system for implementing same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210190732A KR20230100999A (en) | 2021-12-29 | 2021-12-29 | Method for determining dominant frequency of rotating machinery facilities, and computing system performing the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230100999A true KR20230100999A (en) | 2023-07-06 |
Family
ID=86999885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210190732A KR20230100999A (en) | 2021-12-29 | 2021-12-29 | Method for determining dominant frequency of rotating machinery facilities, and computing system performing the same |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230100999A (en) |
| WO (1) | WO2023128552A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102654695B1 (en) * | 2023-10-12 | 2024-04-04 | (주)엘 테크 | System and method for sensor outlier detection using time addaptive ensemble algorithm |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103547899B (en) * | 2011-06-28 | 2016-01-27 | 国际商业机器公司 | Vibration monitoring system |
| JP6675929B2 (en) * | 2016-05-17 | 2020-04-08 | 西日本高速道路エンジニアリング四国株式会社 | Frequency analysis method using image analysis |
| KR102120756B1 (en) * | 2017-06-23 | 2020-06-09 | 퓨처메인 주식회사 | Automatic diagnosis method for rotating machinery using real-time vibration analysis |
| JP7217246B2 (en) * | 2019-04-26 | 2023-02-02 | 長野計器株式会社 | Monitoring equipment and health monitoring system |
| JP7400269B2 (en) * | 2019-08-30 | 2023-12-19 | 富士電機株式会社 | Analysis equipment, analysis system and analysis method |
-
2021
- 2021-12-29 KR KR1020210190732A patent/KR20230100999A/en not_active Application Discontinuation
-
2022
- 2022-12-27 WO PCT/KR2022/021381 patent/WO2023128552A1/en unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102654695B1 (en) * | 2023-10-12 | 2024-04-04 | (주)엘 테크 | System and method for sensor outlier detection using time addaptive ensemble algorithm |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023128552A1 (en) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| Zhang et al. | Deep learning algorithms for bearing fault diagnostics—A comprehensive review | |
| CN107941537B (en) | A kind of mechanical equipment health state evaluation method | |
| Zhang et al. | Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders | |
| CN111947928B (en) | Multi-source information fusion bearing fault prediction system and method | |
| US20210140851A1 (en) | System and method for automatic diagnosis of power generation facility | |
| CN112183581A (en) | Semi-supervised mechanical fault diagnosis method based on self-adaptive migration neural network | |
| CN111353482A (en) | LSTM-based fatigue factor recessive anomaly detection and fault diagnosis method | |
| Hu et al. | Dynamic degradation observer for bearing fault by MTS–SOM system | |
| Liu et al. | Technology development and commercial applications of industrial fault diagnosis system: a review | |
| CN110018322B (en) | Rotating speed detection method and system based on deep learning | |
| Jaber et al. | The state of the art in research into the condition monitoring of industrial machinery | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| Kannan et al. | Nominal features-based class specific learning model for fault diagnosis in industrial applications | |
| KR20230100999A (en) | Method for determining dominant frequency of rotating machinery facilities, and computing system performing the same | |
| Shi et al. | Research on the initial fault prediction method of rolling bearings based on DCAE-TCN transfer learning | |
| KR20210006832A (en) | Method and apparatus for machine fault diagnosis | |
| Xue et al. | A novel local binary temporal convolutional neural network for bearing fault diagnosis | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
| Yin et al. | A new Wasserstein distance-and cumulative sum-dependent health indicator and its application in prediction of remaining useful life of bearing | |
| Xue et al. | Diagnosis method based on hidden Markov model and Weibull mixture model for mechanical faults of in-wheel motors | |
| Wang et al. | Wavelet packet transform-assisted least squares support vector machine for gear wear degree diagnosis | |
| KR102535105B1 (en) | Method for training artificial neural network for anomaly detection of rotating machinery, method for detecting anomaly of rotating machinery using artificial neural network, and computing system performing the same | |
| He et al. | Probabilistic model based algorithms for prognostics | |
| Xu et al. | Data-Driven bearing fault diagnosis of microgrid network power device based on a stacked denoising autoencoder in deep learning and clustering by fast search without data labels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |