KR20230114997A - 스크러버 팬 모니터링 및 고장진단 시스템 - Google Patents

스크러버 팬 모니터링 및 고장진단 시스템 Download PDF

Info

Publication number
KR20230114997A
KR20230114997A KR1020220011428A KR20220011428A KR20230114997A KR 20230114997 A KR20230114997 A KR 20230114997A KR 1020220011428 A KR1020220011428 A KR 1020220011428A KR 20220011428 A KR20220011428 A KR 20220011428A KR 20230114997 A KR20230114997 A KR 20230114997A
Authority
KR
South Korea
Prior art keywords
sensor
data
fan
scrubber
monitoring
Prior art date
Application number
KR1020220011428A
Other languages
English (en)
Inventor
이동익
김재훈
윤수현
임철암
Original Assignee
(주) 세아그린텍
경북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 세아그린텍, 경북대학교 산학협력단 filed Critical (주) 세아그린텍
Priority to KR1020220011428A priority Critical patent/KR20230114997A/ko
Publication of KR20230114997A publication Critical patent/KR20230114997A/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/007—Conjoint control of two or more different functions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/003—Measuring mean values of current or voltage during a given time interval
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/30—Measuring the maximum or the minimum value of current or voltage reached in a time interval
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 스크러버 팬의 동작 상태를 감시하고 고장 전조 증상을 정확하게 예측할 수 있도록 하는 스크러버 팬 모니터링 및 고장진단 시스템에 관한 것으로서, 상기 스크러버 팬의 동작을 감시하는 적어도 하나의 센서; 상기 센서에서 출력되는 신호를 컴퓨터 처리 가능한 센서 데이터로 변환하고 컴퓨터 장치와 인터페이싱을 수행하는 센서 인터페이스 모듈; 상기 센서 인터페이스 모듈로부터 상기 센서 데이터를 수신하며, 상기 센서 데이터를 이용하여 상기 팬의 고장 유무를 판단하는 적어도 하나의 프로세서를 포함하며, 상기 프로세서는 (i) 상기 센서 데이터를 전처리하여 관측 데이터를 생성하고, (ii) 적응형 칼만 필터를 이용하여 상기 관측 데이터에서 고주파 잡음을 제거한 추정 데이터를 생성하고, (iii) 상기 추정 데이터를 통계적으로 정규화 한 특징 데이터를 추출하고, (iv) 상기 특징 데이터가 미리 정해진 상한 임계값을 초과하는 횟수를 카운트하고, (v) 카운트 횟수가 미리 정해진 횟수에 도달할 때 고장 예지 신호를 출력하는 데이터 처리 컴퓨터; 및 클라우드 플랫폼을 통해 상기 데이터 처리 컴퓨터로부터 전송된 상기 고장 예지 신호를 수신하는 사용자 단말을 포함한다.

Description

스크러버 팬 모니터링 및 고장진단 시스템{SCRUBBER FAN MONITORING AND FAULT DIAGNOSIS SYSTEM}
본 발명은 스크러버 팬의 동작 상태를 감시하고 고장 전조 증상을 정확하게 예측할 수 있도록 하는 스크러버 팬 모니터링 및 고장진단 시스템에 관한 것이다.
반도체 및 디스플레이 제조 공장, 화학 공장 및 화공 플랜트 등에서 배출되는 배기가스는 유독성, 폭발성, 부식성이 강하기 때문에 인체에 유해할 뿐만 아니라, 그대로 대기 중으로 방출되는 경우에는 환경오염을 유발하는 원인이 된다. 따라서 이러한 배기가스는 유해 성분 등의 함량을 허용 농도 이하로 낮추는 정화 처리 과정이 반드시 필요하며, 이와 같은 정화 처리 과정을 거친 무해 가스만을 대기 중으로 방출하도록 법적으로 의무화되어 있다.
반도체 제조 공장, 화학 공장 및 화공 플랜트 등의 배기 폐가스에 포함된 독성 물질 및 분진 등을 제거하기 위하여, 반도체 제조 공장, 화학 공장 및 화공 플랜트 등의 배기 라인에는 다양한 형태의 폐가스 처리 장치가 설치되고 있다. 현재 폐가스를 처리하는 방법에는 크게 건식(Burning) 방식과 습식(Wetting) 방식이 있다. 건식 방식은 주로 수소기 등을 함유한 발화성 가스를 고온의 연소실에서 분해, 반응 또는 연소시켜 배기 가스를 처리하는 방식이고, 스크러버를 이용한 습식 방식은 폐가스를 물 등의 세정액에 통과 및 용해시켜 처리하는 방식이다.
도 1은 일반적인 스크러버 폐가스 처리 시스템을 예시한 도면이다. 도 1을 참조하면, 스크러버(10)에는 폐가스를 흡입하기 위한 팬(20)이 연결되며, 팬(20)은 폐가스 수집을 위한 기체 이동 통로인 덕트(30)와 연결된다. 반도체, 화학 공장 및 화공 플랜트 등 다양한 공장의 생산 장비(40)에서는 다양한 산/알칼리/독성가스를 포함되는 경우가 있으며, 팬(20)의 구동에 의해 폐가스가 스크러버(10)로 수집되어 처리된다.
스크러버를 이용한 폐가스 처리 시스템에서 팬(20)은 대기환경보전법에 의거하여 상시 가동되어야 하며, 큰 규모의 배출시설에서는 TMS(굴뚝자동측정기기)로 실시간 감시하고 있다. 또한 소규모 배출시설의 경우에는 2023~2025년 이후 IoT(사물인터넷) 기기로 실시간 감시 예정이다. 이와 같이 스크러버를 이용한 폐가스 처리 시스템에서 팬(20)은 상시 가동되어야 함에도 불구하고, 흡입라인 문제 등의 이유로 회전수가 급격하게 저하되어 팬(20) 모터를 손상시키거나 폐가스에 포함된 이물질이나 분진 등이 팬(20)에 고착되어 팬 부품(임펠러 등)의 손상으로 팬(20)이 정지되는 문제가 종종 발생된다. 또한, 과부하에 의해 팬(20)을 구동하는 모터가 과열되거나 정지되는 경우 등에도 팬(20)의 동작이 멈출 수 있다. 따라서 스크러버 팬의 정상 동작 여부를 지속적으로 모니터링하고 주기적으로 점검해야 한다.
종래 대규모 배출시설의 스크러버 팬 모니터링 시스템은 팬 또는 팬 구동 모터의 회전수, 진동 등을 측정하고, 그 수치가 기준치 이하로 떨어지거나 미리 설정된 값을 초과할 때 팬의 이상 동작으로 판정하고 경고하고 있다. 또는, 팬을 구동하는 모터의 전류값이나 전압값이 기준 범위를 벗어나는 경우 팬의 이상 동작으로 판정한다. 종래 소규모 배출시설의 경우에는 전류수치만 측정하고 있으며 과전류 되었을 때만 팬의 이상 동작으로 판정한다.
하지만, 기존의 모니터링 방식은 관측 데이터를 미리 정해진 상한 또는 하한의 임계값과 비교하는 한계 검사(Limit Check) 방식을 취하고 있는데, 이로 인해 팬이 이미 정상적으로 기능하지 못하게 된 이후에 고장을 검출하거나 정상적으로 동작중인 상태를 이상으로 판단하는 등의 미탐지나 오탐지 등의 문제가 있다.
대한민국 특허등록 제10-1307152호 일본 특허등록 제6212061호
본 발명은 스크러버 팬의 동작을 감시하는 센서로부터 수신한 센서 데이터를를 장치의 운행조건에 따라 적응적으로 가변되도록 적응형 칼만 필터를 이용하여 처리하며, 관측 데이터의 필터링 처리 결과를 통계적 데이터(공분산 데이터)와 함께 출력하여 처리함으로써, 고정된 임계치를 벗어나는 변칙값을 검출하고 팬의 고장 전조 증상을 정확하게 예측할 수 있도록 하며, 기존의 주파수 분서 기법보다 처리 지연이 짧아 스크러버 팬의 실시간 모니터링 및 고장 진단을 효율적으로 수행할 수 있는 새로운 스크러버 팬 모니터링 및 고장진단 시스템을 제공하는데 그 목적이 있다.
본 발명의 일실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 스크러버 팬의 이상 상태를 감시하는 스크러버 팬 모니터링 및 고장진단 시스템에 있어서, 상기 스크러버 팬의 동작을 감시하는 적어도 하나의 센서; 상기 센서에서 출력되는 신호를 컴퓨터 처리 가능한 센서 데이터로 변환하고 컴퓨터 장치와 인터페이싱을 수행하는 센서 인터페이스 모듈; 상기 센서 인터페이스 모듈로부터 상기 센서 데이터를 수신하며, 상기 센서 데이터를 이용하여 상기 팬의 고장 유무를 판단하는 적어도 하나의 프로세서를 포함하며, 상기 프로세서는 (i) 상기 센서 데이터를 전처리하여 관측 데이터를 생성하고, (ii) 적응형 칼만 필터를 이용하여 상기 관측 데이터에서 고주파 잡음을 제거한 추정 데이터를 생성하고, (iii) 상기 추정 데이터를 통계적으로 정규화 한 특징 데이터를 추출하고, (iv) 상기 특징 데이터가 미리 정해진 상한 임계값을 초과하는 횟수를 카운트하고, (v) 카운트 횟수가 미리 정해진 횟수에 도달할 때 고장 예지 신호를 출력하는 데이터 처리 컴퓨터; 및 클라우드 플랫폼을 통해 상기 데이터 처리 컴퓨터로부터 전송된 상기 고장 예지 신호를 수신하는 사용자 단말을 포함한다.
본 발명의 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 센서는 상기 팬 또는 상기 팬을 구동하는 모터의 진동을 측정하는 진동 센서이다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 센서는 상기 팬을 구동하는 모터의 RPM을 측정하는 RPM 센서이다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 센서는 상기 팬의 소음을 측정하는 소음 센서이다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 센서는 상기 팬을 구동하는 모터의 베어링 온도를 측정하는 온도 센서이다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 센서는 상기 팬을 구동하는 모터의 출력 전류를 측정하는 전류 센서 또는 출력 전압을 측정하는 전압 센서이다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 프로세서는 소정 구간 내에서 취득한 상기 센서 데이터의 최대값 또는 평균값을 연산하여 상기 관측 데이터를 생성한다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 프로세서는 상기 관측 데이터에 포함된 고주파 잡음의 공분산을 시불변 변수로 가정하여 상기 관측 데이터로부터 고주파 잡음이 제거된 추정 데이터를 연산하고, 상기 추정 데이터를 기초로 하여 고장 유무 판단에 사용될 상기 특징 데이터를 추출한다.
본 발명의 또 다른 실시예에 따른 스크러버 팬 모니터링 및 고장진단 시스템은, 상기 프로세서는 결함에 따른 고주파 성분을 제외한 고주파 잡음 성분이 제거된 상기 추정 데이터 및 상기 특징 데이터를 얻기 위해 확률통계 이론에 근거하여 칼만필터를 보정한다.
본 발명의 스크러버 팬 모니터링 및 고장진단 시스템에 따르면, 관측 데이터로부터 장치의 운행조건에 따라 상기 관측 데이터의 통계적 특성 변화에 적응하는 적응형 칼만 필터를 이용하여 정규화 된 확률변수인 특징값을 추출하며, 상기 정규화 된 특징값의 신뢰구간을 임계값으로 설정함으로써, 명확한 기준 하에 변칙값(임계값을 벗어나는 특징값)을 검출하고 팬의 고장 전조 증상을 정확하게 예측할 수 있도록 하며, 기존의 주파수 분서 기법보다 처리 지연이 짧아 스크러버 팬의 실시간 모니터링 및 고장 진단을 효율적으로 수행할 수 있는 효과가 있다.
도 1은 일반적인 스크러버 폐가스 처리 시스템을 예시한 도면,
도 2는 본 발명에 따른 스크러버 팬 모니터링 및 고장진단 시스템을 예시한 블록도,
도 3은 본 발명에 따른 스크러버 팬 모니터링 공정을 예시한 흐름도,
도 4는 본 발명에 따른 모터 고장 예지 공정을 예시한 흐름도, 및
도 5는 본 발명에서 적응형 칼만 필터를 이용한 재귀 알고리즘을 예시한 도면이다.
이하에서는 첨부된 도면을 참조하여 본 발명에 따른 구체적인 실시예가 설명된다. 그러나 이는 본 발명을 특정한 실시 형태에 대하여 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 대체물을 포함하는 것으로 이해되어야 한다.
명세서 전체에 걸쳐 유사한 구성 및 동작을 갖는 부분에 대해서는 동일한 도면 부호를 붙였다. 그리고 본 발명에 첨부된 도면은 설명의 편의를 위한 것으로서, 그 형상과 상대적인 척도는 과장되거나 생략될 수 있다.
실시예를 구체적으로 설명함에 있어서, 중복되는 설명이나 당해 분야에서 자명한 기술에 대한 설명은 생략되었다. 또한, 이하의 설명에서 어떤 부분이 다른 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 기재된 구성요소 외에 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "~부", "~기", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 어떤 부분이 다른 부분과 전기적으로 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라 그 중간에 다른 구성을 사이에 두고 연결되어 있는 경우도 포함한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
도 2는 본 발명에 따른 스크러버 팬 모니터링 및 고장진단 시스템을 예시한 블록도이다. 도 2를 참조하면, 본 발명의 팬 모니터링 및 고장진단 시스템은 센서(120), 센서 인터페이스 모듈(130), 데이터 처리 컴퓨터(200), 및 사용자 단말(400)로 구성된다.
본 발명은 반도체 및 디스플레이 제조 공장, 화학 공장 및 화공 플랜트 등에서 배출되는 배기가스를 흡입하여 처리하는 스크러버 장치에서 팬의 동작 상태를 감지하는 스크러버 팬 모니터링 및 고장진단 시스템에 관한 것이다. 스크러버 팬은 통상 알려진 바와 같이 모터(미도시)에 의해 구동되며, 모터, 모터를 동작시키기 위한 전원장치, 인버터, 및 구동 드라이버 등과 같은 팬 구동장치(110)가 설치된다. 그리고 스크러버 팬의 동작을 감지하는 적어도 하나의 센서(120)가 설치된다.
센서(120)는 팬과 팬을 구동하는 모터로부터 다양한 신호들을 측정하는 수단으로서 하나 또는 복수개가 복합적으로 설치될 수 있다. 예를 들어, 센서(120)는 팬 또는 팬을 구동하는 모터의 진동을 측정하는 진동 센서일 수 있다. 다른 예로서, 센서(120)는 팬 구동 모터의 RPM을 측정하는 RPM 센서일 수 있다. 또 다른 예로서, 센서(120)는 팬의 케이싱이나 모터 베어링 하우징에 설치되어 팬의 소음을 측정하는 소음 센서일 수 있다. 또 다른 예로서, 센서(120)는 모터 베어링의 온도를 측정하는 온도 센서일 수 있다. 또 다른 예로서, 센서(120)는 모터의 출력 전류를 측정하는 전류 센서 또는 출력 전압을 측정하는 전압 센서일 수 있다.
센서 인터페이스 모듈(130)은 센서(120)에서 출력되는 전기적 신호를 컴퓨터 처리 가능한 센서 데이터로 변환하고, 데이터 처리 컴퓨터(200)와 인터페이싱을 수행한다.
도 2를 참조하면, 데이터 처리 컴퓨터(200)는 팬 구동장치(110)로부터 제어 데이터를 수신한다. 또한, 센서 인터페이스 모듈(130)로부터 센서 데이터를 수신한다. 데이터 처리 컴퓨터(200)는 입력단의 장치들로부터 데이터들을 수신하고 고장 진단 결과를 외부로 출력하기 위한 복수의 입출력 포트를 구비할 수 있다.
데이터 처리 컴퓨터(200)는 통상 알려진 컴퓨팅 장치와 마찬가지로 프로세서와, 메모리 수단과, 통신 수단을 포함한다.
프로세서는 본 발명에 따라 스크러버 팬의 고장을 진단하는 일련의 처리 과정을 실행시키는 수단으로서, 단일 프로세서 또는 멀티 프로세서로 구성된다. 본 발명에서 프로세서는 (i) 센서 데이터를 전처리하여 관측 데이터를 생성하고, (ii) 적응형 칼만 필터를 이용하여 관측 데이터에서 고주파 잡음을 제거한 추정 데이터를 생성하고, (iii) 추정 데이터를 통계적으로 정규화 한 특징 데이터를 추출하고, (iv) 특징 데이터가 미리 정해진 상한 임계값을 초과하는 횟수를 카운트하고, (v) 카운트 횟수가 미리 정해진 횟수에 도달할 때 고장 예지 신호를 출력하는 일련의 처리를 수행한다. 프로세서의 고장 진단 알고리즘은 도 3 내지 5를 참조하여 후술한다.
메모리 수단은 프로그램 저장 메모리와, 임시 저장 메모리와, 영구 저장 메모리를 포함할 수 있다. 프로그램 저장 메모리는 프로세서에 의해 실행되는 컴퓨터 판독 가능한 명령들을 저장하는 메모리 장치이다. 예컨대, 프로그램 저장 메모리는 전원이 꺼져도 데이터를 보존하며 지우고 다시 쓰기 가능한 메모리이다. 임시 저장 메모리는 프로세서에 의해 처리된 처리 데이터를 임시 저장하는 메모리 장치이다. 임시 저장 메모리는 전원이 꺼지면 데이터가 휘발되며 빠르게 읽고 쓰는 것이 가능한 휘발성 메모리 장치로 구성되며, 센서 데이터, 관측 데이터, 추정 데이터, 특징 데이터, 연산을 위한 변수 및 파라미터, 고장 진단을 위한 임계값 등과 같이 프로세서의 동작 중에 임시적으로 필요한 데이터 등을 저장한다. 영구 저장 메모리는 감시 대상인 스크러버 팬의 기본적 정보와 프로세서의 처리 데이터를 영구 저장하는 메모리 장치이다. 영구 저장 메모리는 전원이 꺼져도 데이터가 보존되며 지우기 및 다시 쓰기가 가능한 불휘발성 메모리 장치로 구성된다. 예를 들어, 스크러버 팬 및 팬 구동장치를 식별하기 위한 데이터, 고장 진단 결과 등의 데이터가 영구 저장 메모리에 저장된다.
통신 수단은 팬 구동장치(110) 및 센서 인터페이스 모듈(130)과 유선 또는 근거리 무선 네트워크를 통해 통신하는 장치 및 클라우드 플랫(300)을 통해 원격의 사용자 단말(400)과 통신하기 위한 광대역 이동 통신 장치 등을 포함할 수 있다.
사용자 단말(400)은 데이터 처리 컴퓨터(200)로부터 관측 데이터, 고장 진단 결과, 경고 푸시 알람을 수신하는 단말 장치로서, PC, 노트북, 모바일 폰 등 다양한 네트워크 단말로 구성될 수 있다. 또한, 사용자 단말(400)은 고장 진단 결과에 따라 A/S를 수행한 이력을 데이터 처리 컴퓨터(200)측으로 전송할 수도 있다.
도 3은 본 발명에 따른 스크러버 팬 모니터링 공정을 예시한 흐름도이고, 도 4는 본 발명에 따른 모터 고장 예지 공정을 예시한 흐름도이고, 도 5는 본 발명에서 적응형 칼만 필터를 이용한 재귀 알고리즘을 예시한 도면이다. 도 3 내지 5를 참조하여 본 발명에서 스크러버 팬 모니터링을 통해 고장 진단을 수행하는 과정을 구체적으로 설명하면 다음과 같다.
도 3을 참조하여 데이터 처리 컴퓨터(200)의 프로세서의 개괄적 동작을 설명한다. 먼저, 프로세서는 센서(120)로부터 센서 데이터를 수집한다(ST110). 센서 데이터는 상기한 진동 센서, RPM 센서, 소음 센서, 온도 센서, 전류 센서, 전압 센서 중 어느 하나의 센서, 또는, 복수개의 센서로부터 수신한 데이터로서, 팬 또는 모터의 진동값, 모터 RPM, 팬 소음, 모터 베어링 온도, 모터 전류, 모터 전압 중 하나 이상을 디지털 데이터로 변환한 값이다.
다음으로 센서 데이터를 전처리하여 관측 데이터를 생성한다(ST120). 여기서 관측 데이터라 함은 소정 주기동안의 센서 데이터에 대한 최대값 또는 평균값을 의미한다.
다음으로 적응형 칼만 필터를 이용하여 관측 데이터에서 고주파 잡음을 제거한 추정 데이터를 생성한다(ST130). 일반적으로 고속 회전기계 시스템의 결함은 관측데이터에 고주파 성분을 야기한다. 본 발명에서 이용하는 적응형 칼만 필터의 핵심은 고주파 잡음을 적절히 제거하면서도 결함에 따른 고주파 성분은 포함된 관측데이터를 얻기 위함이다.
본 발명에서 적응형 칼만 필터는 표준 칼만 필터에 적응 단계가 결합된 필터로서, 본 단계에서 표준 칼만 필터의 예측 단계(Prediction Phase) 및 보정 단계(Correction Phase)가 수행되며, 추가로 적응 단계(Adaptation Phase)가 더 수행된다. 일반적으로 표준 칼만 필터는 공정 잡음과 관측 잡음에 대한 연역적 지식(공정 잡음 공분산과 관측 잡음 공분산을 불변으로 가정)을 필요로 하며, 따라서 칼만 필터의 성능은 상기 공분산의 설정 값에 영향을 받는다. 본 발명에서는 표준 칼만 필터에 공정 잡음 공분산을 추정하는 적응단계(adaptation phase)를 결합하여 추정 데이터를 생성한다. 구체적인 적응형 칼만 필터 처리 과정은 도 5의 재귀 알고리즘을 이용하여 상세하게 후술한다.
도 3을 참조하면, 다음 단계로 추정 데이터를 통계적으로 정규화 한 특징 데이터(
Figure pat00001
)를 추출한다(ST140). 그리고 마지막으로 고장 진단 알고리즘을 통해 스크러버 팬의 고장을 예측하는 고장 예지 신호를 출력한다(ST150). 예를 들어, 특징 데이터가 미리 정해진 상한 임계값을 초과하는 횟수를 카운트하고, 카운트 횟수가 미리 정해진 횟수에 도달할 때 고장 예지 신호를 출력할 수 있다.
도 4의 흐름도를 참조하여, 고장 진단 과정을 좀 더 구체적으로 설명한다. 먼저, 단계 ST210에서 가공되지 않은 원시의 센서 데이터를 수집한다(ST210). 그리고 일정량의 원시 데이터를 버퍼에 저장하며, 버퍼가 찬 경우(ST215), 원시 데이터들을 이용하여 관측 데이터를 계산한다(ST220). 예를 들어, 관측 데이터는 소정 시간 동안 팬 구동 모터의 진동값 또는 RPM을 측정한 값의 최대값이거나 평균값을 나타내는 데이터이다.
다음으로 관측 데이터에 대하여 적응형 칼만 필터 처리를 수행하여 추정 데이터를 생성한다(ST225). 도 5에 도시된 적응형 칼만 필터를 이용한 재귀 알고리즘을 참조하여 적응형 칼만 필터 처리 과정을 구체적으로 설명한다.
적응형 칼만 필터에서 관측 잡음 공분산은 시불변으로 가정한다. 칼만 필터가 고려하는 상태변수(고주파 잡음이 제거된 관측데이터)는 스칼라(scalar) 변수이며, 추정하고자 하는 상태변수의 상태전이(state transition) 모델이 알려져 있지 않으므로 아래의 (수학식 1)과 같이 무작위 모델로 가정한다.
(수학식 1)
Figure pat00002
여기서,
Figure pat00003
는 상태변수,
Figure pat00004
는 평균이 0이고 공분산이
Figure pat00005
인 공정 잡음이다.
칼만 필터에서의 관측 모델은 아래와의 (수학식 2)와 같이 정의할 수 있다.
(수학식 2)
Figure pat00006
여기서,
Figure pat00007
는 관측 데이터,
Figure pat00008
는 평균이 0이고 공분산이
Figure pat00009
인 관측 잡음이다.
위 두 수식으로부터 도 5의 적응형 칼만 필터 알고리즘에 나타난 파라미터는 "
Figure pat00010
", "
Figure pat00011
"로 결정된다.
예측 단계(Prediction phase)
예측 단계에서 상태 변수를 예측한다. 무작위 모델에 의해 스텝
Figure pat00012
에서 추정한 상태변수가 스텝
Figure pat00013
에서의 상태변수 예측값이며, 아래의 (수학식 3)으로 나타낼 수 있다.
(수학식 3)
Figure pat00014
다음으로 추정 공분산(estimate covariance)을 예측한다. 아래의 (수학식 4)에서와 같이 스텝
Figure pat00015
에서 추정된 공정 잡음 공분산
Figure pat00016
을 이용하여 스텝
Figure pat00017
의 추정 공분산을 예측한다.
(수학식 4)
Figure pat00018
보정 단계(Correction phase)
도 5를 참조하면, 먼저 아래의 (수학식 5)와 같이 측정값과 예측값 사이의 오차를 연산한다.
(수학식 5)
Figure pat00019
다음으로, 혁신 공분산(Innovation Covariance)을 연산한다. 혁신 공분산은 (수학식 6)과 같이 예측한 추정 공분산과 관측 잡음 공분산의 합으로 나타낼 수 있다. 여기서, 관측 잡음 공분산은 모든 스텝
Figure pat00020
에서 일정한 것으로 가정한다. 즉, "
Figure pat00021
"이다.
(수학식 6)
Figure pat00022
이제 예측한 추정 공분산과 혁신 공분산의 비로서, (수학식 7)과 같이 칼만 이득(Kalman Gain)을 나타낼 수 있다.
(수학식 7)
Figure pat00023
다음으로 상태변수를 추정하며, 혁신 공분산과 칼만 이득을 이용하여 예측값을 보정한다.
(수학식 8)
Figure pat00024
그리고 (수학식 9)와 같이 칼만 이득을 이용하여 예측한 추정 공분산 보정을 수행한다.
(수학식 9)
Figure pat00025
칼만 필터는 관측 잡음 공분산
Figure pat00026
이 작을수록 예측값보다 관측 데이터를 더욱 신뢰하는 경향이 있다. 예를 들어, 관측 잡음 공분산을 "
Figure pat00027
"으로 설정하면, 칼만 이득은
Figure pat00028
이 되며, 칼만 필터는 고주파 잡음이 포함된 관측 데이터를 그대로 추정값으로 출력한다(
Figure pat00029
). 따라서 칼만 필터가 관측 데이터에 포함된 고주파 잡음을 거르기 위해서는
Figure pat00030
을 실제 관측 데이터에 포함된 관측 잡음의 공분산보다 큰 값으로 설정하는 것이 바람직하다.
적응 단계(Adaptation phase)
무작위 보행 모델을 이용하는 칼만필터가 시스템의 운행조건이 달라짐에 따라 변화하는 관측데이터의 통계적 특성(공분산)에 적응하기 위해 공정 잡음의 통계적 특성(공분산)을 가변할 필요가 있다. 여기서, 관측 데이터의 분산이 변화하는 이유로 관측 데이터에 포함된 잡음의 통계적 특성이 변화하는 것이 아니라는 사실에 주의할 필요가 있다.
공정 잡음 공분산의 추정 수식은 아래의 (수학식 10)과 같다.
(수학식 10)
Figure pat00031
여기서,
Figure pat00032
는 잔차 공분산(Residual covariance)이고
Figure pat00033
는 스케일링 팩터이다. 잔차는 칼만 필터의 상태변수 추정값과 관측 데이터 사이의 오차이다.
관측 데이터의 공분산과 잔차 공분산은 양의 상관관계에 있다. 크기
Figure pat00034
의 이동하는 관측 창(Sliding observation window) 내의 잔차 데이터를 이용하여 잔차 공분산은 다음과 같은 (수학식 11)에 의해 추정된다.
(수학식 11)
Figure pat00035
여기서, "
Figure pat00036
"이며, 적응형 칼만 필터의 초기화 단계에서 "
Figure pat00037
"에 대한 "
Figure pat00038
"는 모두 0으로 설정한다.
Figure pat00039
이 고정된 경우,
Figure pat00040
가 작을수록 관측 데이터의 고주파 신호를 거르기 위한 칼만 필터의 차단주파수와 밴드폭(bandwidth)이 작아진다. 그러므로 결함에 따른 고주파 신호를 여과시키기 위해서는 결함 정보를 포함하는 관측 데이터가 칼만 필터에 인가되는 시점에
Figure pat00041
를 순간적으로 증가시킬 필요가 있다. 순간적인
Figure pat00042
의 증가는 순간적인 차단주파수의 상승을 의미한다.
관측 데이터에 결함에 따른 고주파 신호가 포함될 경우 잔차가 커지므로
Figure pat00043
의 증가로
Figure pat00044
도 커지지만, 결함에 따른 고주파 신호가 주기적인 패턴을 보이고 그 주기가 짧은 경우에는, 칼만 필터는 상기 패턴을 보이는 관측 데이터의 통계적 특성에 적응하여 결함에 따른 비정상 관측 데이터를 인지하지 못하는 문제가 발생할 수 있다. 이 문제는 칼만필터의 수렴 속도와 관련이 있으며 결함에 따른 고주파 신호가 발생하고 재발생하는 주기 안에서
Figure pat00045
가 빠르게 감소하지 못해서 발생한다.
적응형 칼만 필터의 수렴 속도는
Figure pat00046
가 빠르게 증가하고 감소할 수 있도록 스케일링 팩터를 이용하여
Figure pat00047
를 추가적으로 보상해 줌으로써(
Figure pat00048
를
Figure pat00049
에 곱해 줌으로써) 개선될 수 있다.
스케일링 팩터는 "상태교정 성분(
Figure pat00050
)이 평균이 0이고 공분산이
Figure pat00051
인 확률 변수"라는 가정을 기반으로 유도되며 다음의 (수학식 12)와 같이 결정된다.
(수학식 12)
Figure pat00052
여기서,
Figure pat00053
과
Figure pat00054
는 각각
Figure pat00055
를 관측 창 내의 데이터를 이용하여 수치적으로 계산된 추정값과 정상상태 가정을 기반으로 칼만 필터가 가진 통계적 정보를 이용하여 얻은 근사값이다.
Figure pat00056
는 아래의 (수학식 13)과 같이 구할 수 있다.
(수학식 13)
Figure pat00057
그리고,
Figure pat00058
는 아래의 (수학식 14)와 같이 구할 수 있다.
(수학식 14)
Figure pat00059
Figure pat00060
는 정상상태에서 칼만 이득이 일정하다는 가정과 함께 관계식 "
Figure pat00061
"와 정의식 "
Figure pat00062
"를 사용하여 아래의 (수학식 15)와 같이 유도된다.
(수학식 15)
Figure pat00063
다시 도 4를 참조하면, 다음 단계에서 추정 데이터를 통계적으로 정규화 한 특징 데이터(
Figure pat00064
)를 추출한다(ST230). 이때, 변화하는 관측 데이터의 통계적 특성에 영향을 받지 않도록 정규화 된 통계적 데이터를 특징값으로 추출한다. 특징 데이터(
Figure pat00065
)는 아래의 (수학식 16)에 의해 추출할 수 있다.
(수학식 16)
Figure pat00066
만약, "
Figure pat00067
" 시퀀스가 표준정규분포를 따른다면
Figure pat00068
는 1 자유도를 가지는 Chi-square 분포를 따른다. 1 자유도 chi-square 분포의 99.5% 신뢰구간을 고려할 때, upper-tail 임계값은 7.879이다. 따라서 "
Figure pat00069
"는 99.5%의 정상 데이터이며 "
Figure pat00070
"는 0.5%의 비정상 데이터로 구분할 수 있다.
다음으로 특징 데이터
Figure pat00071
가 upper-tail 임계값(Th)을 초과하는지 여부를 판단한다(ST235). 단계 ST235의 판단 조건을 만족하면, 카운트를 하나 증가시킨다(ST240). 그리고 단계 ST245로 진행하여 메인 루프 사이클 수(Lcycle)를 증가시킨다(ST245). 만약 단계 ST235의 판단 조건을 만족하지 않는다면, 카운트 증가 없이 단계 ST245로 이동한다.
단계 ST245 이후에, 메인루프 사이클 수(Lcycle)와 특징 데이터(
Figure pat00072
) 생성 주기(Tp)를 곱한 값이 고장 진단에 소요되는 시간(Tf)에 도달했는지 여부를 판단한다(ST250). 판단 결과 "Yes"로 판단되면, 모터 RPM 정보를 수집하고, 카운트 횟수가 미리 정해진 숫자에 도달하는지 여부를 판단하는 단계(ST255)로 진행한다. 만약 "No"로 판단되면, 단계 ST210으로 복귀하여 다시 메인 루프를 실행시킨다.
단계 ST255의 조건을 만족하지 않는 경우 고장이 발생되지 않은 것을 의미하며, 단계 ST260에서 고장 플래그(f_flag)를 0으로 설정한다. 그리고 카운트 횟수(Acnt)와 메인 루프 사이클 수(Lcycle)를 모두 영(zero)으로 리셋한(ST270) 후에 단계 ST210으로 복귀한다.
단계 ST255의 조건을 만족하는 경우 고장 전조 증상을 의미하며, 단계 ST265에서 고장 플래그(f_flag)를 1로 설정한다. 그리고 카운트 횟수(Acnt)와 메인 루프 사이클 수(Lcycle)를 모두 영(zero)으로 리셋한(ST270) 후에 단계 ST210으로 복귀한다.
위에서 개시된 발명은 기본적인 사상을 훼손하지 않는 범위 내에서 다양한 변형예가 가능하다. 즉, 위의 실시예들은 모두 예시적으로 해석되어야 하며, 한정적으로 해석되지 않는다. 따라서 본 발명의 보호범위는 상술한 실시예가 아니라 첨부된 청구항에 따라 정해져야 하며, 첨부된 청구항에 한정된 구성요소를 균등물로 치환한 경우 이는 본 발명의 보호범위에 속하는 것으로 보아야 한다.
110 : 팬 구동장치 120 : 센서
130 : 센서 인터페이스 모듈 200 : 데이터 처리 컴퓨터
300 : 클라우드 플랫폼 400 : 사용자 단말

Claims (9)

  1. 스크러버 팬의 이상 상태를 감시하는 스크러버 팬 모니터링 및 고장진단 시스템에 있어서,
    상기 스크러버 팬의 동작을 감시하는 적어도 하나의 센서;
    상기 센서에서 출력되는 신호를 컴퓨터 처리 가능한 센서 데이터로 변환하고 컴퓨터 장치와 인터페이싱을 수행하는 센서 인터페이스 모듈;
    상기 센서 인터페이스 모듈로부터 상기 센서 데이터를 수신하며, 상기 센서 데이터를 이용하여 상기 팬의 고장 유무를 판단하는 적어도 하나의 프로세서를 포함하며, 상기 프로세서는 (i) 상기 센서 데이터를 전처리하여 관측 데이터를 생성하고, (ii) 적응형 칼만 필터를 이용하여 상기 관측 데이터에서 고주파 잡음을 제거한 추정 데이터를 생성하고, (iii) 상기 추정 데이터를 통계적으로 정규화 한 특징 데이터를 추출하고, (iv) 상기 특징 데이터가 미리 정해진 상한 임계값을 초과하는 횟수를 카운트하고, (v) 카운트 횟수가 미리 정해진 횟수에 도달할 때 고장 예지 신호를 출력하는 데이터 처리 컴퓨터; 및
    클라우드 플랫폼을 통해 상기 데이터 처리 컴퓨터로부터 전송된 상기 고장 예지 신호를 수신하는 사용자 단말
    을 포함하는 스크러버 팬 모니터링 및 고장진단 시스템.
  2. 제1항에 있어서,
    상기 센서는 상기 팬 또는 상기 팬을 구동하는 모터의 진동을 측정하는 진동 센서인 스크러버 팬 모니터링 및 고장진단 시스템.
  3. 제1항에 있어서,
    상기 센서는 상기 팬을 구동하는 모터의 RPM을 측정하는 RPM 센서인 스크러버 팬 모니터링 및 고장진단 시스템.
  4. 제1항에 있어서,
    상기 센서는 상기 팬의 소음을 측정하는 소음 센서인 스크러버 팬 모니터링 및 고장진단 시스템.
  5. 제1항에 있어서,
    상기 센서는 상기 팬을 구동하는 모터의 베어링 온도를 측정하는 온도 센서인 스크러버 팬 모니터링 및 고장진단 시스템.
  6. 제1항에 있어서,
    상기 센서는 상기 팬을 구동하는 모터의 출력 전류를 측정하는 전류 센서 또는 출력 전압을 측정하는 전압 센서인 스크러버 팬 모니터링 및 고장진단 시스템.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 프로세서는 소정 구간 내에서 취득한 상기 센서 데이터의 최대값 또는 평균값을 연산하여 상기 관측 데이터를 생성하는 스크러버 팬 모니터링 및 고장진단 시스템.
  8. 제1항에 있어서,
    상기 프로세서는 상기 관측 데이터에 포함된 고주파 잡음의 공분산을 시불변 변수로 가정하여 상기 관측 데이터로부터 고주파 잡음이 제거된 추정 데이터를 연산하고, 상기 추정 데이터를 기초로 하여 고장 유무 판단에 사용될 상기 특징 데이터를 추출하는 스크러버 팬 및 고장진단 모니터링 시스템.
  9. 제8항에 있어서,
    상기 프로세서는 결함에 따른 고주파 성분을 제외한 고주파 잡음 성분이 제거된 상기 추정 데이터 및 상기 특징 데이터를 얻기 위해 확률통계 이론에 근거하여 칼만필터를 보정하는 스크러버 팬 모니터링 및 고장진단 시스템.
KR1020220011428A 2022-01-26 2022-01-26 스크러버 팬 모니터링 및 고장진단 시스템 KR20230114997A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220011428A KR20230114997A (ko) 2022-01-26 2022-01-26 스크러버 팬 모니터링 및 고장진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220011428A KR20230114997A (ko) 2022-01-26 2022-01-26 스크러버 팬 모니터링 및 고장진단 시스템

Publications (1)

Publication Number Publication Date
KR20230114997A true KR20230114997A (ko) 2023-08-02

Family

ID=87566820

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220011428A KR20230114997A (ko) 2022-01-26 2022-01-26 스크러버 팬 모니터링 및 고장진단 시스템

Country Status (1)

Country Link
KR (1) KR20230114997A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117662510A (zh) * 2024-01-02 2024-03-08 徐州中矿科光机电新技术有限公司 一种风机故障诊断系统及其方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6212061U (ko) 1985-07-08 1987-01-24
KR101307152B1 (ko) 2011-12-28 2013-09-10 (주)인텍에프에이 팬 필터 유닛 결함 관리 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6212061U (ko) 1985-07-08 1987-01-24
KR101307152B1 (ko) 2011-12-28 2013-09-10 (주)인텍에프에이 팬 필터 유닛 결함 관리 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117662510A (zh) * 2024-01-02 2024-03-08 徐州中矿科光机电新技术有限公司 一种风机故障诊断系统及其方法
CN117662510B (zh) * 2024-01-02 2024-06-07 徐州中矿科光机电新技术有限公司 一种风机故障诊断系统及其方法

Similar Documents

Publication Publication Date Title
US6438484B1 (en) Method and apparatus for detecting and compensating for compressor surge in a gas turbine using remote monitoring and diagnostics
RU2468212C2 (ru) Система и способ для обнаружения смещения базового значения эксцентриситета ротора
RU2326271C2 (ru) Способ (варианты) и система для обнаружения признаков замедления и помпажа компрессора
KR100458885B1 (ko) 회전 기계의 수명 예측 장치와 그 장치를 이용한 장비, 및회전 기계의 수명 예측 방법과 수리 타이밍 판정 방법
US7030746B2 (en) Method and system for generating automatic alarms based on trends detected in machine operation
JP4801452B2 (ja) ガスタービンにおける異常監視方法及び装置
CN110553377B (zh) 空调的室外换热器脏堵检测方法、系统及空调
JP2002371989A (ja) 圧縮機の制御制御方法、および監視装置
US20100054957A1 (en) Method for determining a statement of a state of a turbomolecular pump and a turbomolecular pump
KR20230114997A (ko) 스크러버 팬 모니터링 및 고장진단 시스템
CN117708748B (zh) 一种用于离心风机的运行监测系统及方法
JP4346947B2 (ja) 機器の異常監視装置及びガスタービンの異常監視装置及びガスタービン設備及び複合発電設備
CN110762771B (zh) 一种空调外机共振控制方法、装置及空调器
WO2017077970A1 (ja) 真空ポンプの判断システム、および真空ポンプ
US11327470B2 (en) Unit space generating device, plant diagnosing system, unit space generating method, plant diagnosing method, and program
CN108446162B (zh) 监测JVM Full GC事件的方法及系统
CN111413096A (zh) 一种带高温阻断的振动保护系统及方法
CN114060228A (zh) 风力发电机组扭矩异常跳变的检测方法、装置及控制器
JP6953941B2 (ja) 送風器の異常診断装置、電力装置及び送風器の異常診断方法
JP5281674B2 (ja) ガスタービンにおける異常監視方法及び装置
US10802941B2 (en) Processing tool monitoring
JP2019027788A (ja) 回転機構の異常検知感度設定装置および異常検知感度設定方法
Twiddle et al. Fuzzy model-based condition monitoring of a dry vacuum pump via time and frequency analysis of the exhaust pressure signal
JPH07302393A (ja) 運転支援方法及び装置
JP7035402B2 (ja) 送風器の異常診断装置、電力装置及び送風器の異常診断方法