KR20230127337A - 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 - Google Patents
기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 Download PDFInfo
- Publication number
- KR20230127337A KR20230127337A KR1020237026408A KR20237026408A KR20230127337A KR 20230127337 A KR20230127337 A KR 20230127337A KR 1020237026408 A KR1020237026408 A KR 1020237026408A KR 20237026408 A KR20237026408 A KR 20237026408A KR 20230127337 A KR20230127337 A KR 20230127337A
- Authority
- KR
- South Korea
- Prior art keywords
- machine
- measurement data
- classes
- anomaly
- undersampled
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005856 abnormality Effects 0.000 title claims description 19
- 238000005259 measurement Methods 0.000 claims abstract description 68
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 230000001934 delay Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 230000002051 biphasic effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 발명은 기계 장치 또는 기계 부품의 이상을 식별하기 위한 방법으로서, 적어도 다음 단계, 즉 i) 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 취득하는 단계로서, 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt)과 샘플링 주파수(fs) 중 하나 또는 둘 모두에서 서로 다른, 단계; 및 ii) 취득된 적어도 2가지 클래스의 언더샘플링된 측정 데이터에 기초하여 이상 식별 모델을 사용하여 기계 장치 또는 기계 부품의 이상을 식별하는 단계로서, 이상 식별 모델은 기계 학습 기반이고, 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는, 단계를 포함하는, 방법에 관한 것이다. 본 발명은 또한 기계 학습에 기반하여 이상 식별 모델을 훈련시키기 위한 방법, 컴퓨터 장치, 컴퓨터 프로그램 제품 및 검출 장치에 관한 것이다. 본 발명은 비용 효율적이고 신뢰성 있는 결과를 제공하는 결함 진단 또는 예측 유지 보수 솔루션을 제공한다.
Description
본 발명은 기계 장치 또는 기계 부품의 이상(abnormality)을 식별하기 위한 방법에 관한 것이다. 본 발명은 또한 기계 학습에 기반하여 이상 식별 모델을 훈련시키기 위한 방법, 대응하는 컴퓨터 장치, 대응하는 컴퓨터 프로그램 제품, 대응하는 검출 장치, 및 대응하는 기계 장치 또는 기계 부품에 관한 것이다.
전기 구동 시스템의 기계 부품, 즉, 전기 기계 및 기어박스에 대한 결함 진단 또는 예측 유지 보수는, 베어링, 회전자, 구동 샤프트, 플랜지, 림, 하우징, 볼트 및 기어 등과 같은 기계 부품에 실제 존재하거나 잠재적인 기계적 결함을 나타내는 신호를 식별하도록 의도된다. 이러한 신호는 가속도, 변위, 회전, 관성, 전압 또는 전류를 나타낼 수 있다.
그러나, 기존의 결함 진단 또는 예측 유지 보수 솔루션은 종종 높은 샘플링 주파수 신호에 의존한다. 그러나, 높은 샘플링 주파수는 샘플링 장치, 처리 장치 및 통신 장치의 복잡성과 비용을 증가시킬 뿐만 아니라 차량 비용을 증가시켜 차량 시장에서 점점 더 치열해지는 가격 경쟁 면에서 바람직하지 않다. 한편, 기존의 결함 진단이나 예측 유지 보수 솔루션에 낮은 샘플링 주파수 신호를 사용하면 낮은 샘플링 주파수 신호에서 결점이나 결함의 표현이 에일리어싱으로 인해 흐릿하여 눈에 띄지 않기 때문에 신뢰성 없는 진단 결과를 초래한다.
따라서 비용 효율적이고 신뢰성 있는 결과를 제공하는 결함 진단 또는 예측 유지 보수 솔루션을 제공하는 것이 요구된다.
본 발명의 목적은 기계 장치 또는 기계 부품의 이상을 식별하기 위한 방법으로서, 적어도 다음 단계, 즉
i) 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 취득하는 단계로서, 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt)과 샘플링 주파수(fs) 중 하나 또는 둘 모두에서 서로 다른, 단계; 및
ii) 취득된 적어도 2가지 클래스의 언더샘플링된 측정 데이터에 기초하여 이상 식별 모델을 사용하여 기계 장치 또는 기계 부품의 이상을 식별하는 단계로서, 이상 식별 모델은 기계 학습 기반이고, 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는, 단계
를 포함하는, 방법을 통해 달성된다.
본 발명의 선택적인 실시예에 따르면, 단계 ii)는,
a) 적어도 2가지 클래스의 언더샘플링된 측정 데이터에서 개별적으로 특성을 추출하는 단계; 및
b) 추출된 특성을 분류 알고리즘에 기반하여 훈련된 이상 식별 모델에 입력하여 기계 장치 또는 기계 부품에 대한 이상 식별 결과를 획득하는 단계
를 포함한다.
본 발명의 선택적인 실시예에 따르면, 단계 ii)는,
적어도 2가지 클래스의 언더샘플링된 측정 데이터를 심층 학습에 기반하여 훈련된 이상 식별 모델에 입력하여 기계 장치 또는 기계 부품에 대한 이상 식별 결과를 획득하는 단계를 포함한다.
본 발명의 선택적인 실시예에 따르면, 적어도 2가지 클래스의 언더샘플링된 측정 데이터는, 단일 센서가 트리거 이벤트의 발생 시간(t0)에 대해 적어도 2개의 상이한 지연(Δt)에서 신호 수집을 시작하게 하고/하거나, 단일 센서가 상이한 언더샘플링 주파수(fs)에서 신호를 수집하게 함으로써 단일 센서의 도움으로 수집된다.
본 발명의 선택적인 실시예에 따르면, 적어도 2가지 클래스의 언더샘플링된 측정 데이터는 적어도 2개의 센서가 트리거 이벤트의 발생 시간(t0)에 대해 상이한 지연(Δt)에서 신호 수집을 시작하게 하고/하거나, 적어도 2개의 센서가 상이한 언더샘플링 주파수(fs)에서 신호를 수집하게 함으로써 적어도 두 개의 센서의 도움으로 수집된다.
본 발명의 선택적인 실시예에 따르면, 단계 ii) 전에, 취득된 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 다수의 샘플로 개별적으로 분할하는 단계가 수행되고, 시간적으로 서로 인접한 샘플들 사이에 시간 중첩이 있고, 단계 ii)에서, 각각의 샘플에서 개별적으로 특성을 추출하거나, 각각의 샘플은 심층 학습에 기반하여 이상 식별 모델에 입력된다.
다른 양태에서, 본 발명의 목적은 기계 학습에 기반하여 이상 식별 모델을 훈련시키기 위한 방법으로서, 이상 식별 모델은 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되고, 방법은, 적어도 다음 단계,
i') 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 취득하는 단계로서, 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt)과 샘플링 주파수(fs) 중 하나 또는 둘 모두에서 서로 다른, 단계; 및
ii') 취득된 적어도 2가지 클래스의 언더샘플링된 측정 데이터에 기초하여 이상 식별 모델을 훈련하는 단계
를 포함하는, 방법을 통해 추가로 달성된다.
또 다른 양태에서, 본 발명의 목적은 컴퓨터 장치로서, 컴퓨터 장치는 프로세서 및 이 프로세서에 통신 가능하게 연결된 컴퓨터 판독 가능 저장 매체를 포함하고, 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령어를 저장하고, 전술한 방법 단계는 컴퓨터 명령어가 프로세서에 의해 실행될 때 실현되는, 컴퓨터 장치를 통해 추가로 달성된다.
또 다른 양태에서, 본 발명의 목적은 컴퓨터 프로그램 제품으로서, 컴퓨터 명령어를 포함하고, 전술한 방법 단계는 컴퓨터 명령어가 프로세서에 의해 실행될 때 실현되는, 컴퓨터 프로그램 제품을 통해 추가로 달성된다.
다른 양태에서, 본 발명의 목적은 검출 장치로서, 검출 장치는 언더샘플링 주파수에서 측정 데이터를 수집할 목적으로 기계 장치 또는 기계 부품 내에 또는 상에 배치되고, 측정 데이터는 기계 장치 또는 기계 부품의 동작 상태를 나타내고, 검출 장치는 단일 센서를 포함하고, 센서는 트리거 이벤트에 응답하여 가변 지연(Δt)에서 신호 수집을 시작하도록 구성되고/되거나, 가변 언더샘플링 주파수(fs)를 갖도록 구성되고; 또는 검출 장치는 적어도 2개의 센서를 포함하고, 적어도 2개의 센서 중 제1 센서는 트리거 이벤트에 응답하여 제1 지연(Δt1)에서 신호 수집을 시작하도록 구성되고, 제2 센서는 트리거 이벤트에 응답하여 제1 지연(Δt1)과 다른 제2 지연(Δt2)에서 신호 수집을 시작하도록 구성되고/되거나, 제1 센서는 제1 언더샘플링 주파수(fs1)를 갖도록 구성되고, 제2 센서는 제1 언더샘플링 주파수(fs1)와 다른 제2 언더샘플링 주파수(fs2)를 갖도록 구성된, 검출 장치를 통해 추가로 달성된다.
선택적인 실시예에 따르면, 검출 장치는 전술한 컴퓨터 장치 또는 이의 프로세서에 통신 가능하게 연결된다.
다른 양태에서, 본 발명의 목적은 전술한 검출 장치를 포함하는 기계 장치 또는 기계 부품을 통해 달성된다.
본 발명은 다음과 같은 이점을 갖는다:
- 본 발명은 낮은 샘플링 주파수를 갖는 하나 이상의 센서만을 사용하고, 낮은 샘플링 주파수를 갖는 센서는 기존의 결함 진단이나 예측 유지 보수 방식에 의존하는 높은 샘플링 주파수를 갖는 센서보다 비용 면에서 상당한 이점이 있다.
- 장치, 예를 들어, 센서는 성능이 낮고 데이터 양이 적기 때문에 복잡한 컴퓨팅 모듈 및/또는 에너지 소비가 높은 전력원을 장착할 필요가 없어서 이러한 장치의 복잡성, 부피 및 에너지 소비를 줄인다.
본 발명의 주제의 다른 이점 및 유리한 실시예는 상세한 설명, 도면 및 청구범위로부터 명백하다.
본 발명의 추가 특징 및 이점은 도면을 참조하여 특정 실시예에 대한 다음의 상세한 설명을 통해 추가로 설명될 수 있다. 도면은 다음과 같다:
도 1은 본 발명의 예시적인 실시예에 따른 기계 장치 또는 기계 부품의 이상을 식별하기 위한 장치의 구조 블록도를 도시한다.
도 2는 기계 학습 기반이고 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는 이상 식별 모델을 훈련하기 위한 본 발명의 예시적인 실시예에 따른 방법의 흐름도를 도시한다.
도 3a 및 도 3b는 각각 샘플링 이론의 요건을 충족하는 높은 샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 4a 및 도 4b는 각각 도 3a 및 도 3b에서와 동일한 샘플링 주파수에서 이상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 5a 및 도 5b는 각각 도 3 내지 도 4의 샘플링 주파수의 1/11인 언더샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 6a 및 도 6b는 각각 도 5a 및 도 5b에서와 동일한 언더샘플링 주파수에서 이상 회전 부재로부터 수집된 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 7a 및 도 7b는 각각 도 3 내지 도 4의 샘플링 주파수의 1/17인 언더샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 8a 및 도 8b는 각각 도 7a 및 도 7b에서와 동일한 언더샘플링 주파수에서 이상 회전 부재로부터 수집된 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 9a는 정상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하는 도면으로서, 상이한 지연을 갖는 2가지 세트의 언더샘플링된 측정 데이터를 표시한 것을 도시한다.
도 9b는 이상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하는 도면으로서, 상이한 지연을 갖는 2가지 세트의 언더샘플링된 측정 데이터를 표시한 것을 도시한다.
도 9c는 이상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하는 도면으로서, 상이한 샘플링 주파수를 갖는 2가지 세트의 언더샘플링된 측정 데이터를 표시한 것을 도시한다.
도 10은 이상 식별 모델을 훈련하기 위한 본 발명에 따른 방법의 일 단계의 흐름도를 도시한다.
도 11은 기계 장치 또는 기계 부품의 이상을 식별하기 위한 본 발명의 예시적인 실시예에 따른 방법의 흐름도를 도시한다.
도 1은 본 발명의 예시적인 실시예에 따른 기계 장치 또는 기계 부품의 이상을 식별하기 위한 장치의 구조 블록도를 도시한다.
도 2는 기계 학습 기반이고 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는 이상 식별 모델을 훈련하기 위한 본 발명의 예시적인 실시예에 따른 방법의 흐름도를 도시한다.
도 3a 및 도 3b는 각각 샘플링 이론의 요건을 충족하는 높은 샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 4a 및 도 4b는 각각 도 3a 및 도 3b에서와 동일한 샘플링 주파수에서 이상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 5a 및 도 5b는 각각 도 3 내지 도 4의 샘플링 주파수의 1/11인 언더샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 6a 및 도 6b는 각각 도 5a 및 도 5b에서와 동일한 언더샘플링 주파수에서 이상 회전 부재로부터 수집된 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 7a 및 도 7b는 각각 도 3 내지 도 4의 샘플링 주파수의 1/17인 언더샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 8a 및 도 8b는 각각 도 7a 및 도 7b에서와 동일한 언더샘플링 주파수에서 이상 회전 부재로부터 수집된 신호의 시간 영역 그래프 및 주파수 영역 그래프를 도시한다.
도 9a는 정상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하는 도면으로서, 상이한 지연을 갖는 2가지 세트의 언더샘플링된 측정 데이터를 표시한 것을 도시한다.
도 9b는 이상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하는 도면으로서, 상이한 지연을 갖는 2가지 세트의 언더샘플링된 측정 데이터를 표시한 것을 도시한다.
도 9c는 이상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하는 도면으로서, 상이한 샘플링 주파수를 갖는 2가지 세트의 언더샘플링된 측정 데이터를 표시한 것을 도시한다.
도 10은 이상 식별 모델을 훈련하기 위한 본 발명에 따른 방법의 일 단계의 흐름도를 도시한다.
도 11은 기계 장치 또는 기계 부품의 이상을 식별하기 위한 본 발명의 예시적인 실시예에 따른 방법의 흐름도를 도시한다.
본 발명에 의해 해결하고자 하는 기술적 과제와 그 기술적 솔루션 및 유리한 기술적 효과를 명확히 하기 위해, 이하 도면 및 몇몇 예시적인 실시예를 참조하여 본 발명을 보다 상세히 설명한다. 본 명세서에 설명된 특정 실시예는 단지 본 발명을 설명하기 위해 사용된 것일 뿐, 본 발명의 보호 범위를 제한하려고 사용된 것이 아닌 것으로 이해되어야 한다. 도면에서 동일하거나 유사한 참조 부호는 동일하거나 등가인 부품을 나타낸다.
도 1은 본 발명의 예시적인 실시예에 따른 기계 장치 또는 기계 부품의 이상을 식별하기 위한 장치(1)의 구조 블록도를 도시한다. 기계 장치는 구동 시스템, 특히 차량 구동 시스템의 전기 기계 및 기어박스와 같은 다양한 유형의 기계 장치를 광범위하게 포함할 수 있다. 기계 부품은 전기 기계 및 기어박스 등에 사용되는 볼트, 하우징, 플랜지, 림, 베어링(예를 들어, 구름 베어링) 및 회전 부재(예를 들어, 회전자, 구동 샤프트, 기어 또는 이와 유사한 것)와 같은 다양한 유형의 기계 부품을 광범위하게 포함할 수 있다.
본 명세서에서 사용된 "이상"이라는 용어는 기계 장치 또는 기계 부품에서 발생하여 기계 장치 또는 기계 부품 자체 또는 이 기계 부품이 위치된 디바이스의 기능 및/또는 효율의 감소 또는 저하를 유발하는 임의의 이상 현상을 의미하는 것으로 광범위하게 이해되어야 한다. 여기에는 기계 장치 또는 기계 부품에서 발생하여 기계 장치 또는 기계 부품 자체 또는 이 기계 부품이 위치된 디바이스의 기능 및/또는 특성을 정상 범위에서 이미 벗어나게 한 결함 또는 결점이 포함될 뿐만 아니라, 기계 장치 또는 기계 부품에서 발생하여 기계 장치 또는 기계 부품 자체 또는 이 기계 부품이 위치된 디바이스의 기능 및/또는 효율을 정상 범위를 벗어나지 않고 감소시키는 "정상이 아닌" 문제도 포함된다.
기계 장치에 적용될 때, 장치(1)는 기계 장치에서 적어도 하나의 부품의 이상을 식별할 수 있다. 기계 부품에 적용될 때, 장치(1)는 기계 부품에서 적어도 하나의 이상을 식별할 수 있다.
장치(1)는 프로세서(10) 및 이 프로세서(10)에 통신 가능하게 연결된 컴퓨터 판독 가능 저장 매체(20)를 포함한다. 컴퓨터 명령어는 컴퓨터 판독 가능 저장 매체(20)에 저장되고, 컴퓨터 명령어가 프로세서(10)에 의해 실행될 때, 본 발명에 따른 방법(100 및/또는 200) 단계가 실현되고; 방법은 아래에서 상세히 설명된다.
나아가, 검출 장치는 기계 장치 또는 기계 부품 내에 또는 상에 배치되어 기계 장치 또는 기계 부품의 동작 상태를 나타내는 측정 데이터, 예를 들어, 진동 신호, 토크 신호, 가속도 신호, 변위 신호, 관성 신호, 회전 신호 또는 전압 신호 및 전류 신호와 같은 전기 신호를 수집하는 데 사용된다. 검출 장치에 의해 수집된 측정 데이터는 장치(1)에 의해 취득되어 이상 식별 모델(아래 설명 참조)을 훈련하기 위한 훈련 샘플로서 기능하거나, 또는 기계 장치 또는 기계 부품의 이상을 분석 및 평가하기 위한 검출 데이터로서 기능할 수 있다.
일례에서, 전기 기계에서 베어링 롤러의 손상 및/또는 장치(1)의 도움으로 구동 샤프트의 편심률(eccentricity)을 모니터링할 때, 진동 센서(예를 들어, 진동 가속도 센서)가 전기 기계의 진동 신호를 캡처하기 위해 검출 장치로서 전기 기계의 하우징에 배열될 수 있고, 진동 신호는 이상 식별을 수행하기 위해 장치(1)에 의해 취득된다. 다른 예에서, 장치(1)의 도움으로 베어링 윤활제의 열화를 모니터링할 때, 전류 센서 및/또는 전압 센서는 인버터에서 전류 및/또는 전압 신호를 검출하기 위해 검출 장치로서 사용될 수 있으며, 전류 및/또는 전압 신호는 이상 식별을 수행하기 위해 장치(1)에 의해 취득된다.
일례에서, 장치(1)는 원격 서버로서 구성될 수 있고, 검출 장치는 차량 내에 또는 차량 상에 배치된다. 다른 예에서, 장치(1)와 검출 장치는 차량 내에 또는 차량 상에 배치된다.
도 2는 기계 학습 기반이고 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는 이상 식별 모델을 훈련하기 위한 본 발명의 예시적인 실시예에 따른 방법(100)의 흐름도를 도시한다.
단계(S110)에서, 예를 들어, 검출 장치에 의해 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터가 취득되고, 여기서 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간에 대한 지연과 샘플링 주파수 중 하나 또는 둘 모두에서 서로 다르다.
"언더샘플링"은 샘플링 시에 사용되는 샘플링 주파수가 불충분하여, 즉 샘플링 이론의 요건을 충족하지 못하여 수집된 신호에 에일리어싱이 발생하는 것으로 이해될 수 있다. 일반적으로, 언더샘플링의 샘플링 주파수는 신호 주파수의 2배보다 낮은 주파수일 수 있는데, 이는 이 경우에 에일리어싱이 발생하여 고주파가 저주파로 에일리어싱되기 때문이다.
도 3a 및 도 3b는 각각 샘플링 이론의 요건을 충족하는 높은 샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프(2) 및 주파수 영역 그래프(3)를 도시하고; 도 4a 및 도 4b는 각각 도 3a 및 도 3b에서와 동일한 샘플링 주파수에서 이상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프(4) 및 주파수 영역 그래프(5)를 도시한다. 비교를 위해, 도 5a 및 도 5b는 각각 도 3 내지 도 4의 샘플링 주파수의 1/11인 언더샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프(2a) 및 주파수 영역 그래프(3a)를 도시하고; 도 6a 및 도 6b는 각각 도 5a 및 도 5b에서와 동일한 언더샘플링 주파수에서 이상 회전 부재로부터 수집된 신호의 시간 영역 그래프(4a) 및 주파수 영역 그래프(5a)를 도시하고; 도 7a 및 도 7b는 각각 도 3 내지 도 4의 샘플링 주파수의 1/17인 언더샘플링 주파수에서 정상 회전 부재로부터 수집된 진동 신호의 시간 영역 그래프(2b) 및 주파수 영역 그래프(3b)를 도시하고; 도 8a 및 도 8b는 각각 도 7a 및 도 7b에서와 동일한 언더샘플링 주파수에서 이상 회전 부재로부터 수집된 신호의 시간 영역 그래프(4b) 및 주파수 영역 그래프(5b)를 도시한다.
도 3 내지 도 8로부터 높은 샘플링 주파수와 또한 언더샘플링 주파수에서 정상 회전 부재와 이상 회전 부재의 신호 주파수 영역 그래프 간에 차이가 있음을 볼 수 있다. 그럼에도 불구하고, 언더샘플링 주파수에서 신호 시간 영역 그래프와 주파수 영역 그래프에 기초하여 다수의 가능한 결함 소스 중에서 결함의 진정한 원인을 식별하는 것은 어려운 데, 그 이유는 고주파수 샘플링의 신호 시간 영역 그래프와 주파수 영역 그래프에서 특정 결함을 특징짓는 특성 값 및/또는 명확한 현상이 이 시간에 에일리어싱으로 인해 신호 시간 영역 그래프와 주파수 영역 그래프에서 손실되기 때문이다. 이 때문에, 고주파수에서 샘플링된 신호에 적합한 종래 기술에 알려진 결함 식별 방법은 더 이상 언더샘플링된 신호에서는 적합하지 않다.
이에 기초하여, 본 발명은 차후 모델 훈련 또는 이상 식별을 위한 기초로 기능하기 위해 적어도 2가지 클래스, 예를 들어, 3가지 클래스의 상이한 언더샘플링된 측정 데이터를 취득할 것을 제안한다.
일 실시예에 따르면, 검출 장치는 단일 센서를 포함할 수 있다. 이 경우, 단일 센서는 특정 트리거 이벤트의 발생 시간(t0)에 대한 가변 지연(Δt)에서 신호 수집을 시작하도록 구성될 수 있고/있거나, 가변 언더샘플링 주파수(fs)를 갖도록 구성될 수 있다. 이러한 방식으로, 상이한 클래스의 언더샘플링된 측정 데이터가 단일 센서에 의해 수집될 수 있다. 특정 트리거 이벤트는 특정 상황에 따라 설정될 수 있고; 예를 들어, 이 트리거 이벤트는 전기 기계가 시작될 때마다, 가속 페달 또는 브레이크 페달이 작동될 때마다, 또는 대응하는 기어가 변경될 때마다 있을 수 있다.
추가적으로, 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 획득하기 위해, 트리거 이벤트에 의해 트리거될 때마다 단일 센서에 의해 사용되는 지연(Δt) 및/또는 언더샘플링 주파수(fs)는 트리거가 발생한 이전 경우에 사용된 지연(Δt) 및/또는 언더샘플링 주파수(fs)와는 상이할 수 있다.
대안적인 실시예에 따르면, 검출 장치는 2개 이상의 센서를 포함할 수 있다. 이 경우, 각 센서마다 상이한 지연(Δt) 및/또는 상이한 언더샘플링 주파수(fs)가 설정될 수 있다. 특히, 2개 이상의 센서는 동일한 위치 또는 인접한 위치에 배열될 수 있다.
예시적인 실시예에서, 적어도 2가지 클래스의 언더샘플링된 측정 데이터에서 제1 클래스의 언더샘플링된 측정 데이터는 특정 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt1)에서 샘플링 주파수(fs1)에서 수집된 신호이고, 적어도 2가지 클래스의 언더샘플링된 측정 데이터에서 제2 클래스의 언더샘플링된 측정 데이터는 특정 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt2)에서 샘플링 주파수(fs1)에서 수집된 신호이며, 여기서 Δt1 ≠ Δt2이다. 이에 대해서는 도 9a 및 도 9b 참조, 여기서 도 9a는 정상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시하고, 도 9b는 이상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시한다. 도 9a 및 도 9b에서, 연속 곡선은 샘플링 이론의 요건을 충족하는 샘플링 주파수(fsh)에서 수집된 신호를 나타내고, 원은 제1 지연에서 언더샘플링 주파수(fs1)에서 수집된 신호를 나타내고, 삼각형은 제1 지연과 다른 제2 지연에서 언더샘플링 주파수(fs1)에서 수집된 신호를 나타내며, 여기서 fs1 = x fsh이다.
다른 예시적인 실시예에서, 제1 클래스의 언더샘플링된 측정 데이터는 특정 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt1)에서 샘플링 주파수(fs1)에서 수집된 신호이고, 제2 클래스의 언더샘플링된 측정 데이터는 특정 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt1)에서 샘플링 주파수(fs2)에서 수집된 신호이고, 여기서 fs1 ≠ fs2이다. 이에 대해서는 도 9c를 참조; 도 9c는 이상 기계 부품으로부터 수집된 신호의 시간 영역 그래프를 도시한다. 도 9c에서, 연속 곡선은 샘플링 이론의 요건을 충족하는 샘플링 주파수(fsh)에서 수집된 신호를 나타내고, 원은 제1 언더샘플링 주파수(fs1)에서 수집된 신호를 나타내고, 삼각형은 제1 언더샘플링 주파수(fs1)와 다른 제2 언더샘플링 주파수(fs2)에서 수집된 신호를 나타내고, 여기서 fs1 = x fsh이고, fs2 = x fsh이다.
다른 예시적인 실시예에서, 제1 클래스의 언더샘플링된 측정 데이터의 제1 샘플링 시점은 특정 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt1)을 갖고, 샘플링 주파수는 fs1인 반면, 제2 클래스의 언더샘플링된 측정 데이터의 제1 샘플링 시점은 특정 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt2)을 갖고, 샘플링 주파수는 fs2이며, 여기서 Δt1 ≠ Δt2 및 fs1 ≠ fs2이다.
나아가, 각각의 클래스의 언더샘플링된 측정 데이터는 각각 적어도 하나의 세트, 특히 다수의 세트의 측정 데이터를 포함할 수 있으며, 여기서 하나의 세트의 언더샘플링된 측정 데이터는 수집 시작부터 수집 종료까지 센서에 의해 수집된 데이터 스트림을 의미할 수 있다. 일례로서, 차량 활성화가 트리거 이벤트인 것으로 취해지면, 차량이 활성화될 때마다 하나의 데이터 수집을 트리거하여 하나의 세트의 측정 데이터가 획득되고, 따라서 차량이 다수 회 활성화되면 다수의 세트의 언더샘플링된 측정 데이터의 수집을 트리거할 수 있고; 이 언더샘플링된 측정 데이터 중에서, 동일한 지연(Δt) 및 동일한 샘플링 주파수(fs)를 갖는 언더샘플링된 측정 데이터는 동일한 클래스의 언더샘플링된 측정 데이터를 형성할 수 있다.
다음으로, 선택적으로, 단계(S120)에서, 취득된 적어도 2가지 클래스의 언더샘플링된 측정 데이터는 개별적으로 다수의 샘플로 분할되고; 특히, 적어도 2가지 클래스의 언더샘플링된 측정 데이터의 각각의 세트의 측정 데이터는 개별적으로 다수의 샘플로 분할되고; 이에 의해 획득된 샘플의 일부는 훈련 데이터로 사용되고, 다른 일부는 테스트 데이터로 사용되며, 여기서 훈련 데이터와 테스트 데이터는 모두 적어도 2가지 클래스의 언더샘플링된 측정 데이터로부터의 샘플을 포함한다.
일례로서, 샘플은 각 샘플이 미리 설정된 일정한 시간 길이를 갖는 방식으로 분할될 수 있다. 추가적으로, 샘플은 시간적으로 서로 인접한 샘플들 사이에 미리 설정된 시간 중첩이 있는 방식으로, 즉, 연대순으로 선행 샘플의 종료 시점이 연대순으로 후속 샘플의 시작 시점 이후에 속하도록 그리고 연대순으로 후속 샘플의 시작 시점이 연대순으로 선행 샘플의 종료 시점 이전에 속하도록 분할될 수 있다. 이러한 방식으로, 기계 장치 또는 기계 부품의 동작 상태의 변화로 인해 측정 데이터의 변화에 의해 발생하는 이상 식별 결과의 오류를 줄이거나 제거할 수 있다.
다음으로, 단계(S130)에서 각 샘플에 개별적으로 라벨이 부여된다. 라벨은 "정상" 및 "이상"일 수 있다. 추가적으로, "이상" 라벨은 상이한 유형의 이상 및/또는 상이한 이상 영역 및/또는 이상 등급을 나타내는 라벨을 포함할 수 있다.
다음으로, 단계(S140)에서, 취득된 샘플은, 기계 학습 기반이고 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는 이상 식별 모델을 훈련하는 데 사용된다. 단계(S120)가 생략되면, 적어도 2가지 클래스의 언더샘플링된 측정 데이터에서 각 세트의 측정 데이터는 이상 식별 모델을 직접 훈련시키는 데 사용될 수 있다.
일례에서, 이상 식별 모델은 이상 유형과 등급뿐만 아니라 기계 장치 또는 기계 부품에 이상이 존재하는지 여부를 식별할 수 있도록 구성되고 훈련된다. 일례로서, 구름 베어링에 적용될 때 이상 식별 모델은 구름 베어링의 내륜, 외륜, 롤러 또는 케이지에 이상이 있는지 여부와, 이상의 심각한 정도를 결정할 수 있다.
예시적인 실시예에 따르면, 이상 식별 모델은 특성 기반 분류 알고리즘을 사용하여 구축된다. 이러한 이상 식별 모델은 결함과 신호 사이의 인과 관계 또는 모니터링되는 결함 또는 이상 뒤의 메커니즘을 확인할 수 있는 상황에서 적합하다.
단계(S140)는, 단계(S141)에서, 각각의 샘플에서 특성을 추출하는 단계를 더 포함한다(도 10 참조). 추출된 특성은 모니터링된 기계 장치 또는 기계 부품 및/또는 모니터링된 결함의 메커니즘에 기초하여 결정될 수 있고, 다음 특성 중 하나 이상을 포함한다:
i. 주파수 영역 진폭;
ii. 상당한 진폭을 갖는 주파수;
iii. 상당한 진폭의 크기 정도; 및
iv. 시간 영역의 진폭의 분산 지수, 그 1차 및 2차 도함수, 그리고 분산 지수 및/또는 1차 또는 2차 도함수의 다음 사항을 포함함:
1. 최대값, 평균값 및 최소값
2. 고정된 시간 내에 특정 임계값보다 큰 피크의 발생, 여기서 특정 임계값은 분석 모델 및 유한 요소 분석에 의해 결정됨;
3. 분산 및 표준 편차
4. 피크 간 비율 및 피크 대 평균의 비율
5. 통계 분포 첨도 및 왜도; 및
v. 켑스트럼(cepstrum)의 상당한 시간 기간; 이는 특히 기어박스 결함 및 일부 베어링 결함에 적합하다.
일례에서, 추출된 특성은 전문가 시스템에 의해 결정될 수 있다.
일반적으로, 기계 장치 또는 기계 부품의 상태가 이미 매우 위험한 경우 가장 큰 크기 정도를 갖는 진폭 또는 전체 분산 지수, 및 시간 영역의 전체 평균 값이 이를 현저하게 반영할 수 있다. 이러한 상황이 발생하기 전에, 시간 영역과 주파수 영역 특성의 다른 통계적 지표는 아직 매우 위험하지 않은 이러한 잠재적 이상을 식별하는 데 도움이 될 수 있다.
다음으로, 단계(S142)에서, 이상 식별 모델이 요건을 충족하도록 훈련될 때까지 추출된 특징과 그 라벨을 이상 식별 모델에 입력하여 지도 학습 과정을 수행한다.
다른 예시적인 실시예에 따르면, 심층 학습 알고리즘을 사용하여 이상 식별 모델을 구축한다. 이러한 이상 식별 모델은 결함과 신호 사이의 인과 관계 또는 모니터링되는 결함 또는 이상 뒤의 메커니즘을 알 수 없는 상황에서 적합하다.
이러한 이상 식별 모델을 훈련시키는 데 사용되는 데이터는 단계(S120)에서 취득된 샘플일 수 있고, 또는 시간 영역의 각 세트 또는 주파수 영역 측정 데이터 자체일 수 있다. 나아가, 심층 학습에 기반하여 이상 식별 모델을 훈련시키는 데 사용되는 샘플의 시간 길이와, 분류 알고리즘에 기반하여 이상 식별 모델을 훈련시키는 데 사용되는 샘플의 시간 길이는 같을 수도 있고 다를 수도 있다.
일례로서, 심층 학습 기반의 이상 식별 모델은 신경망에 기초하여 구축되며, 특히 컨볼루션 신경망 또는 양방향 LSTM(long short term memory) 신경망에 기초하여 구축된다. 특히, 양방향 LSTM 신경망 기반의 이상 식별 모델의 경우 시간 시퀀스 데이터가 훈련을 위해 사용될 수 있다. 컨볼루션 신경망 기반의 이상 식별 모델의 경우 시간 영역 또는 주파수 영역 데이터의 패턴, 예를 들어, 고정된 회전 속도에서 주파수 영역 데이터(예를 들어, 스펙트럼)의 패턴, 회전 속도 구간 내의 주파수 영역 데이터의 패턴(예를 들어, 캠벨(Campbell) 다이어그램), 또는 캠벨 다이어그램으로부터 획득된 구배 다이어그램의 패턴이 훈련을 위해 사용될 수 있다.
도 11은 기계 장치 또는 기계 부품의 이상을 식별하기 위한 본 발명의 예시적인 실시예에 따른 방법(200)의 흐름도를 도시한다.
방법(200)에서, 단계(S210)에서, 예를 들어, 검출 장치에 의해 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터가 실시간으로, 주기적으로, 또는 데이터 취득 요청의 도움으로 취득되며, 여기서 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간에 대한 지연과 샘플링 주파수 중 하나 또는 둘 모두에서 서로 상이하다.
선택적으로, 단계(S220)에서, 취득된 적어도 2가지 클래스의 언더샘플링된 측정 데이터는 개별적으로 다수의 샘플로 분할된다.
다음으로, 단계(S230)에서, 취득된 샘플에서 특성을 추출한다. 단계(S220)가 생략되면, 적어도 2가지 클래스의 언더샘플링된 측정 데이터에서 직접 특성을 추출할 수 있다.
다음으로, 단계(S240)에서, 추출된 특성은 기계 장치 또는 기계 부품에 대한 이상 모니터링 결과를 출력하기 위해 분류 알고리즘에 기반하여 이상 식별 모델에 입력된다.
다른 양태에서, 단계(S250)에서, 적어도 2가지 클래스의 언더샘플링된 측정 데이터 또는 다수의 샘플이 기계 장치 또는 기계 부품에 대한 이상 모니터링 결과를 출력하기 위해 심층 학습에 기반하여 이상 식별 모델에 입력된다.
단계(S210, S220 및 S230)는 각각 위에서 설명된 단계(S110, S120 및 S141)에 해당한다. 따라서, 단계(S110, S120 및 S141)의 위의 설명은 단계(S210, S220 및 S230)에 적용 가능하다.
일례에서, 단계(S120 및 S220) 이전에, 취득된 측정 데이터는 전처리, 예를 들어, 데이터 정규화, 클리닝 및/또는 보간을 받을 수 있다.
본 발명에 따른 방법은 기계 장치 또는 기계 부품에서 이미 발생하여 대응하는 수리가 필요한 결함을 식별할 수 있을 뿐만 아니라 실제 결함으로 발전하기 전에 기계 장치 또는 기계 부품의 이상 유무를 사전에 식별할 수 있으므로 관련 담당자가 예측 유지 보수에 대한 결정을 내리는 데 도움이 될 수 있다.
일부 실시예가 설명되었지만, 이들 실시예는 단지 예로서 제시된 것일 뿐, 본 발명의 범위를 제한하려고 의도된 것이 아니다. 첨부된 청구범위 및 그 등가범위는 본 발명의 범위 및 사상 내에 속하는 모든 수정, 대체 및 변경을 포함하도록 의도된다.
Claims (11)
- 기계 장치 또는 기계 부품의 이상을 식별하기 위한 방법(200)으로서, 적어도 다음 단계, 즉
i) 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 취득하는 단계로서, 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt)과 샘플링 주파수(fs) 중 하나 또는 둘 모두에서 서로 다른, 단계; 및
ii) 취득된 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터에 기초하여 이상 식별 모델을 사용하여 상기 기계 장치 또는 기계 부품의 이상을 식별하는 단계로서, 상기 이상 식별 모델은 기계 학습 기반이고, 상기 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되는, 단계
를 포함하는, 방법. - 제1항에 있어서, 단계 ii)는,
a) 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터에서 개별적으로 특성을 추출하는 단계; 및
b) 추출된 특성을 분류 알고리즘에 기반하여 훈련된 이상 식별 모델에 입력하여 상기 기계 장치 또는 기계 부품에 대한 이상 식별 결과를 획득하는 단계
를 포함하는 것을 특징으로 하는 방법(200). - 제1항에 있어서, 단계 ii)는,
상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 심층 학습에 기반하여 훈련된 이상 식별 모델에 입력하여 상기 기계 장치 또는 상기 기계 부품에 대한 이상 식별 결과를 획득하는 단계를 포함하는 것을 특징으로 하는 방법(200). - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터는, 단일 센서가 트리거 이벤트에 응답하여 가변 지연(Δt)에서 데이터 수집을 시작하게 하고/하거나, 상기 단일 센서가 가변 언더샘플링 주파수(fs)에서 데이터를 수집하게 함으로써 상기 단일 센서의 도움으로 수집되는 것을 특징으로 하는 방법(200). - 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터는 상기 적어도 2개의 센서가 트리거 이벤트에 응답하여 상이한 지연(Δt)에서 데이터 수집을 시작하게 하고/하거나, 상기 적어도 2개의 센서가 상이한 언더샘플링 주파수(fs)에서 데이터를 수집하게 함으로써 상기 적어도 두 개의 센서의 도움으로 수집되는 것을 특징으로 하는 방법(200).
- 제1항 내지 제5항 중 어느 한 항에 있어서, 단계 ii) 전에,
취득된 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 다수의 샘플로 개별적으로 분할하는 단계가 수행되고, 시간적으로 서로 인접한 샘플들 사이에 시간 중첩이 있고, 단계 ii)에서, 각각의 샘플에서 개별적으로 특성을 추출하거나, 각각의 샘플은 심층 학습에 기반하여 이상 식별 모델에 입력되어 이상 식별 결과를 획득하는 것을 특징으로 하는 방법(200). - 기계 학습에 기반하여 이상 식별 모델을 훈련시키기 위한 방법(100)으로서, 상기 이상 식별 모델은 기계 장치 또는 기계 부품의 이상을 식별하는 데 사용되고, 상기 방법은, 적어도 다음 단계,
i') 기계 장치 또는 기계 부품 내에서 또는 상에서 수집된 적어도 2가지 클래스의 언더샘플링된 측정 데이터를 취득하는 단계로서, 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터 모두는 다음 양태, 즉 트리거 이벤트의 발생 시간(t0)에 대한 지연(Δt)과 샘플링 주파수(fs) 중 하나 또는 둘 모두에서 서로 다른, 단계; 및
ii') 취득된 상기 적어도 2가지 클래스의 언더샘플링된 측정 데이터에 기초하여 이상 식별 모델을 훈련하는 단계
를 포함하는, 방법. - 컴퓨터 장치로서, 상기 컴퓨터 장치는 프로세서(10) 및 상기 프로세서(10)에 통신 가능하게 연결된 컴퓨터 판독 가능 저장 매체(20)를 포함하고, 상기 컴퓨터 판독 가능 저장 매체(20)는 컴퓨터 명령어를 저장하고, 제1항 내지 제7항 중 어느 한 항에 따른 방법(100, 200) 단계는 상기 컴퓨터 명령어가 상기 프로세서(10)에 의해 실행될 때 실현되는, 컴퓨터 장치.
- 컴퓨터 프로그램 제품으로서, 컴퓨터 명령어를 포함하고, 제1항 내지 제7항 중 어느 한 항에 따른 방법(100, 200) 단계는 상기 컴퓨터 명령어가 프로세서(10)에 의해 실행될 때 실현되는, 컴퓨터 프로그램 제품.
- 언더샘플링 주파수에서 측정 데이터를 수집하도록 구성된 검출 장치로서, 상기 측정 데이터는 기계 장치 또는 기계 부품의 동작 상태를 나타내고, 상기 검출 장치는 특히 제8항에 따른 컴퓨터 장치에 통신 가능하게 연결되고,
상기 검출 장치는 단일 센서를 포함하고, 상기 센서는 트리거 이벤트에 응답하여 가변 지연(Δt)에서 데이터 수집을 시작하도록 구성되고/되거나, 가변 언더샘플링 주파수(fs)를 갖도록 구성되고; 또는
상기 검출 장치는 적어도 2개의 센서를 포함하고, 상기 적어도 2개의 센서 중 제1 센서는 트리거 이벤트에 응답하여 제1 지연(Δt1)에서 데이터 수집을 시작하도록 구성되고, 제2 센서는 트리거 이벤트에 응답하여 상기 제1 지연(Δt1)과 다른 제2 지연(Δt2)에서 데이터 수집을 시작하도록 구성되고/되거나, 상기 제1 센서는 제1 언더샘플링 주파수(fs1)를 갖도록 구성되고, 상기 제2 센서는 상기 제1 언더샘플링 주파수(fs1)와 다른 제2 언더샘플링 주파수(fs2)를 갖도록 구성된 것을 특징으로 하는 검출 장치. - 제10항에 따른 검출 장치를 포함하는 기계 장치 또는 기계 부품.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/070457 WO2022147684A1 (zh) | 2021-01-06 | 2021-01-06 | 用于识别机械装置或机械部件中的异常的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230127337A true KR20230127337A (ko) | 2023-08-31 |
Family
ID=82357031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237026408A KR20230127337A (ko) | 2021-01-06 | 2021-01-06 | 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20240053225A1 (ko) |
| JP (1) | JP2024504289A (ko) |
| KR (1) | KR20230127337A (ko) |
| CN (1) | CN116685967A (ko) |
| DE (1) | DE112021005667T5 (ko) |
| WO (1) | WO2022147684A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115524002B (zh) * | 2022-09-19 | 2023-08-22 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
| CN116091445B (zh) * | 2023-01-05 | 2024-01-02 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10783900B2 (en) * | 2014-10-03 | 2020-09-22 | Google Llc | Convolutional, long short-term memory, fully connected deep neural networks |
| CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
| CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
| CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
| CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
| CN111695639A (zh) * | 2020-06-17 | 2020-09-22 | 浙江经贸职业技术学院 | 一种基于机器学习的电力用户用电异常检测方法 |
| CN112069998A (zh) * | 2020-09-07 | 2020-12-11 | 中国人民解放军陆军工程大学 | 基于卷积神经网络的gbdt故障诊断集成方法 |
| CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
-
2021
- 2021-01-06 KR KR1020237026408A patent/KR20230127337A/ko unknown
- 2021-01-06 US US18/260,385 patent/US20240053225A1/en active Pending
- 2021-01-06 JP JP2023541057A patent/JP2024504289A/ja active Pending
- 2021-01-06 CN CN202180089505.8A patent/CN116685967A/zh active Pending
- 2021-01-06 WO PCT/CN2021/070457 patent/WO2022147684A1/zh active Application Filing
- 2021-01-06 DE DE112021005667.0T patent/DE112021005667T5/de active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE112021005667T5 (de) | 2023-09-14 |
| CN116685967A (zh) | 2023-09-01 |
| JP2024504289A (ja) | 2024-01-31 |
| WO2022147684A1 (zh) | 2022-07-14 |
| US20240053225A1 (en) | 2024-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
| CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
| US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
| Shanbr et al. | Detection of natural crack in wind turbine gearbox | |
| CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
| KR20230127337A (ko) | 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 | |
| Medjaher et al. | Feature extraction and evaluation for Health Assessment and Failure prognostics. | |
| KR102393095B1 (ko) | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 | |
| CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
| KR20190081933A (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| JP3871054B2 (ja) | 機械設備の状態監視方法及び装置 | |
| CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
| CN114813124B (zh) | 一种轴承故障的监测方法及装置 | |
| CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
| CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
| JP6714844B2 (ja) | 異常診断方法 | |
| CN113418731A (zh) | 一种卷烟机组的在线故障诊断方法 | |
| Thanagasundram et al. | A fault detection tool using analysis from an autoregressive model pole trajectory | |
| JP3568939B2 (ja) | 回転機械の軸振動解析による状態診断方法及び装置 | |
| CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
| CN110411730A (zh) | 一种旋转设备故障判断方法、系统和可读存储介质 | |
| CN114674562A (zh) | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 | |
| CN113516023A (zh) | 设备振动异常诊断方法和系统 | |
| CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 |