KR20230112295A - 인공지능 기반의 제함기 고장진단방법 - Google Patents

Abstract

인공지능 기반의 제함기 고장진단방법은 가속도 센서로 제함기의 진동신호를 측정하는 단계와, 소정의 시간 동안 발생한 상기 진동신호를 FFT(Fast Fourier Transform) 변환을 통해 최대 진폭 값을 저장하되, 이 과정을 소정의 시간동안 진행하여 복수개의 진동 데이터를 수집하는 단계와, 고장 캠을 장착했을 때 진동 데이터와 정상 캠을 장착했을 때 진동 데이터를 K-NN 알고리즘에 적용하여 두 그룹의 데이터를 분류하고 학습하는 단계와, K-NN 알고리즘에 제함기의 진동 데이터를 적용하여 고장여부를 분류하는 단계를 포함한다.

Description

인공지능 기반의 제함기 고장진단방법{Case Erector failure diagnosis method based on artificial intelligence}

본 발명은 제함기 고장진단기술에 관한 것으로서, 더 상세하게는 인공지능 기반의 제함기 고장진단방법에 관한 것이다.

4차 산업에 따라 모든 제조 공정은 자동화되고 있다.

이와 같이 포장공정도 자동화되고 있다. 그에 따라 포장 용기 제조 공정과 포장 공정 자체를 자동화하는 제함기가 개발되고 도입되었다.

하지만 기존의 제함기는 공정내의 오류나 고장을 진단하거나 예지할 수 없어 공정 내에서 고장이 일어난 시기에만 수리를 할 수 있어 작업 시간, 소모품 소모 등의 비용이 증가한다.

KR 10-1157442 B

본 발명은 상기와 같은 기술적 과제를 해결하기 위해 제안된 것으로, 진동 데이터를 인공지능 K-NN 분류기에 적용하여 고장 및 오류를 진단하고 예지하여 정비할 수 있는 인공지능 기반의 제함기 고장진단방법을 제공한다.

상기 문제점을 해결하기 위한 본 발명의 일 실시예에 따르면, 가속도 센서로 제함기의 진동신호를 측정하는 단계와, 소정의 시간 동안 발생한 상기 진동신호를 FFT(Fast Fourier Transform) 변환을 통해 최대 진폭 값을 저장하되, 이 과정을 소정의 시간동안 진행하여 복수개의 진동 데이터를 수집하는 단계와, 고장 캠을 장착했을 때 진동 데이터와 정상 캠을 장착했을 때 진동 데이터를 K-NN 알고리즘에 적용하여 두 그룹의 데이터를 분류하고 학습하는 단계와, K-NN 알고리즘에 제함기의 진동 데이터를 적용하여 고장여부를 분류하는 단계를 포함하는 인공지능 기반의 제함기 고장진단방법이 제공된다.

본 발명의 실시예에 따른 인공지능 기반의 제함기 고장진단방법은 진동 데이터를 인공지능 K-NN 분류기에 적용하여 고장 및 오류를 진단하고 예지하여 정비할 수 있게 한다. 이를 통해 문제가 발생하는 시점을 미리 예측해 작업 관리 비용을 줄여 큰 효율을 얻을 수 있다.

도 1은 제함기와 제함기의 캠구조를 나타낸 도면
도 2는 제함기의 정상캠과 비정상캠을 나타낸 도면
도 3은 본 발명의 인공지능 기반의 제함기 고장진단방법을 적용한 시스템의 예시도
도 4는 실시간으로 데이터를 측정하기 위한 랩뷰(LabVIEW)의 예시도
도 5는 K-NN 알고리즘을 적용한 결과를 나타낸 도면

이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시예를 첨부한 도면을 참조하여 설명하기로 한다.

도 1은 제함기와 제함기의 캠구조를 나타낸 도면이고, 도 2는 제함기의 정상캠과 비정상캠을 나타낸 도면이고, 도 3은 본 발명의 인공지능 기반의 제함기 고장진단방법을 적용한 시스템의 예시도이고, 도 4는 실시간으로 데이터를 측정하기 위한 랩뷰(LabVIEW)의 예시도이고, 도 5는 K-NN 알고리즘을 적용한 결과를 나타낸 도면이다.

도 1은 제함기와 제함기의 캠구조를 나타낸 도면이다.

도 1을 참조하면, 제함기는 캠과 베어링의 마찰로 인해 마모가 발생하고, 오랜 시간 마모가 되면 베어링과 캠이 파손될 수 있다. 즉, 파손된 결과로 인해 공장의 생산성이 저하될 수 있다. 따라서 파손되기 전에 모니터링을 통해 고장을 미리 예방할 필요가 있다

본 발명의 시스템은 가속도 센서, 진동센서 등의 다양한 센서를 이용하여 제함기의 주요 부품의 실시간 과정을 모니터링하고 데이터를 수집할 수 있게 한다. 그 중 캠 고장을 관찰하기 위하여 가속도 센서를 이용하여 데이터를 수집한다.

데이터 수집은 National Instrument사의 CompactRIO (cRIO-9054)를 데이터 수집 플랫폼으로 선정하였으며, LabVIEW 프로그래밍 언어를 이용하여 데이터를 수집 및 분석을 하였다. 분석한 데이터를 가공하여 K-NN 분류기를 개발하여 제함기의 고장과 오류를 진단하고 상태를 예지할 수 있도록 한다. 또한, 사용자가 실시간으로 모니터링 할 수 있도록 하고 문제 발생 시 전달될 수 있도록 한다.

도 2는 제함기의 정상캠과 비정상캠을 나타낸 도면이다.

공정 자동화를 위하여 제함기를 이용한 무인시스템을 구축 시, 도 2와 같이 모터의 회전운동을 왕복운동으로 변환해주는 캠에 피로한도 이상의 충격과 노후화로 인한 손상 등 다양한 잠재적 고장 요인으로 인해 공정 운영에 문제가 발생할 수 있다. 이를 주기적으로 모니터링하고 적기적소에 맞게 교체나 정비를 행해야 한다.

따라서 캠의 운동을 측정할 수 있는 적절한 센서를 사용하여 실시간으로 데이터를 받아내어 Time-domain의 신호를 FFT를 통하여 Frequency-domain으로 변환하여 고장 여부를 판단하고 이를 K-NN 분류기를 통해 문제를 감지하고 적절한 조치할 수 있도록 하며 원활한 공정 운영을 가능하게 한다.

도 3은 본 발명의 인공지능 기반의 제함기 고장진단방법을 적용한 시스템의 예시도이다.

제함기의 고장 진단을 위한 머신러닝 시스템의 개발을 위해서는 데이터 수집이 필수적이다. 기계학습을 위한 고장상태 및 정상상태 데이터를 수집하기 위해서 실제 제함기를 기반으로 테스트베드를 제작하였다. 실제로 제작한 테스트베드를 도 3에 나타내었다.

제작된 테스트베드는 실제 제함기와 동일한 크기와 형상 그리고 구동 메커니즘을 가지고 있으며 정상 및 고장 캠의 교체가 가능하여 의도적으로 유발하여 고장상태 데이터의 획득이 가능하다. 테스트베드를 사용하여 제함기에서 발생하는 캠의 마모고장을 진단하기 위한 데이터 생성 실험을 수행하였다. 정상상태와 고장상태의 데이터를 각각 수집하기 위해서 정상 캠과 마모상황을 가정한 고장 캠 두 가지를 제작하고 각 실험에 대한 테스트베드에 적용하여 데이터를 수집하였다.

제함기의 주요 부품에 센서를 부착해 정밀한 데이터를 받아내기 위한 디바이스를 구축한다. 또한, LabVIEW를 사용하여 데이터를 수집 및 분석할 수 있도록 프로그래밍을 하였다. CompactRIO는 다양한 형태의 신호를 수집하기 위한 독립적 데이터 획득 모듈을 지원하며 가속도계로부터 측정된 진동데이터를 수집하기 위한 모듈로 NI 9234모듈을 사용하였다. 가속도계는 KISTLER사 8702B50 모델을 사용하였다. 이를 기반으로 고장 진단 시스템을 구성하게 된다.

도 4는 실시간으로 데이터를 측정하기 위한 랩뷰(LabVIEW)의 예시도이다.

실시간으로 데이터를 측정하기 위하여 LabVIEW 프로그램을 이용하여 도 4와 같이 직접 코드를 구성하였다.

도 4의 (a)는 가속도계 센서를 통해 캠의 운동상태를 실시간으로 데이터를 측정하며, 이를 웨이브폼 차트를 통해 나타나게 된다. 측정된 데이터에는 노이즈가 포함되어 있기에 이를 필터링해주는 과정을 거쳐 아래의 웨이브폼 차트로 다시 나타나게 되며 이때 Time-domain으로 나타나게 된다. 위의 필터링을 한 데이터를 바탕으로 진동분석에 용이한 FFT변환을 통해 Frequency-domain의 형태로 나타나게 하여 최종 결과를 볼 수 있게 구성하였다. 이때 변환된 주파수의 최대 magnitude를 각각 생성시켜 저장하고 이 데이터를 기반으로 K-NN을 이용한 인공지능 알고리즘에 사용하기 위해 최댓값을 구하는 과정을 볼 수 있다. 도 4의 (b)는 (a)를 구성하기 위한 코드의 모습을 나타낸 것이다.

도 5는 K-NN 알고리즘을 적용한 결과를 나타낸 도면이다.

제함기의 생산성 확보를 위해서 제함기의 효율적인 고장 진단이 필수적이다. 정확한 고장 진단을 위해 과거에 발생했던 고장 이력을 파악하고 이때 발생한 신호, 수치, 경향성 등을 분석하면 비슷한 현상이 발생했을 때 제함기에 발생한 고장을 진단할 수 있다.

따라서 주어진 입력 데이터들을 어떤 기준에 따라 그룹을 나누고, 각 데이터가 어떤 그룹에 해당하는지 판별하는 패턴인식 기법을 제함기의 고장 진단에 적용하고자 한다. 그 중에서 데이터의 분포 형태에 성능이 크게 좌우되지 않는 K 근접 이웃 분류기를 이용하여 제함기의 고장을 진단하고자 하였다. K-NN은 클래스 라벨이 존재하는 다수의 트레이닝 데이터를 사용하여 벡터 공간상의 K개의 가장 가까운 데이터를 분석하여 어떤 케이스에 속하는지 분류하는 방법이다.

고장 진단에 필요한 데이터를 수집한 방법은 다음과 같다. 가속도 센서로 제함기의 진동신호를 측정한다. 1초 동안 발생한 신호를 FFT변환을 통해 최대 진폭 값을 저장한다. 이 과정을 약 4분 동안 진행하여 200개의 데이터를 받아들인다. 고장 캠을 장착했을 때 데이터 200개와 정상 캠을 장착했을 때 데이터 200개를 매트랩으로 제작한 K-NN 알고리즘에 적용하여 두 그룹의 데이터를 분류한다. 정상상태와 고장상태에서의 최댓값의 분포형태가 눈에 띄게 차이가 나서 K-NN 분류기의 성능이 100% 작동하는 모습을 확인할 수 있다.

즉, 인공지능 기반의 제함기 고장진단방법은 가속도 센서로 제함기의 진동신호를 측정하는 단계와, 소정의 시간 동안 발생한 상기 진동신호를 FFT(Fast Fourier Transform) 변환을 통해 최대 진폭 값을 저장하되, 이 과정을 소정의 시간동안 진행하여 복수개의 진동 데이터를 수집하는 단계와, 고장 캠을 장착했을 때 진동 데이터와 정상 캠을 장착했을 때 진동 데이터를 K-NN 알고리즘에 적용하여 두 그룹의 데이터를 분류하고 학습하는 단계와, K-NN 알고리즘에 제함기의 진동 데이터를 적용하여 고장여부를 분류하는 단계를 통해서 처리된다.

상술한 바와 같이, 인공지능 기반의 제함기 고장 진단은 제함기를 구성하고 있는 캠의 상태를 모니터링하여 실시간으로 고장을 진단하는 장치로, 가속도 센서를 통해 진동 신호를 측정한다. 측정한 신호를 LabVIEW 프로그램을 이용하여 FFT 변환을 통해 주파수와 진폭 대역으로 변경한다. 그 후 MATLAB을 통해 개발한 K-NN 분류기를 통해 정상 유무를 판단한다.

결과물을 검증하기 위해서는 우선 측정한 신호의 수신을 검증하고, FFT 변환의 정확성과 K-NN 분류기의 정확성을 검증해야 한다. 이에 따라 LabVIEW를 통해 신호의 수신을 검증했고, FFT 변환도 주파수 대역에 맞게 변환되는 것을 확인했다. 개발한 K-NN 분류기를 검증하기 위해 고장캠을 통해 얻은 신호를 분류하도록 실험하여 실제로 100%의 정확도를 나타냈다.

이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (1)

1. 가속도 센서로 제함기의 진동신호를 측정하는 단계;
   소정의 시간 동안 발생한 상기 진동신호를 FFT(Fast Fourier Transform) 변환을 통해 최대 진폭 값을 저장하되, 이 과정을 소정의 시간동안 진행하여 복수개의 진동 데이터를 수집하는 단계;
   고장 캠을 장착했을 때 진동 데이터와 정상 캠을 장착했을 때 진동 데이터를 K-NN 알고리즘에 적용하여 두 그룹의 데이터를 분류하고 학습하는 단계;
   상기 K-NN 알고리즘에 상기 제함기의 진동 데이터를 적용하여 고장여부를 분류하는 단계;
   를 포함하는 인공지능 기반의 제함기 고장진단방법.