KR20230134850A - 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치 - Google Patents

회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치 Download PDF

Info

Publication number
KR20230134850A
KR20230134850A KR1020220032157A KR20220032157A KR20230134850A KR 20230134850 A KR20230134850 A KR 20230134850A KR 1020220032157 A KR1020220032157 A KR 1020220032157A KR 20220032157 A KR20220032157 A KR 20220032157A KR 20230134850 A KR20230134850 A KR 20230134850A
Authority
KR
South Korea
Prior art keywords
unit
power
time series
series data
sparse
Prior art date
Application number
KR1020220032157A
Other languages
English (en)
Inventor
박용화
정원호
배재웅
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020220032157A priority Critical patent/KR20230134850A/ko
Publication of KR20230134850A publication Critical patent/KR20230134850A/ko

Links

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R13/00—Arrangements for displaying electric variables or waveforms
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치가 제시된다. 본 발명에서 제안하는 회전체 결함 진단을 위한 전류데이터 이미지화 장치는 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 취득부, 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 변환부, 상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 추출부, 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 진단부 및 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화하는 시각화부를 포함한다.

Description

회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치{Current Data Imaging Method and Apparatus for Rotating Machinery Fault Diagnosis}
본 발명은 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치에 관한 것이다.
회전체는 생산 설비, 고속 철도 및 발전소 등 사회 주요 기반시설을 구동하는 핵심 동력장치이다. 생산 단계에서 회전설비 품질은 반드시 확보되어야 하며, 현장 운용 단계에서 회전설비의 신뢰성은 전체 설비의 가용도를 좌우할 정도로 중요하다.
종래기술에 따른 베어링 고장 진단 방법에서는 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높이는 구성에 관하여 개시하고 있다. 적응적 상태 업데이트를 위해 정확한 k값을 적응적으로 설정하는 클러스터링 기술을 사용한다.
이러한 종래기술은 진동, 음향 데이터 기반으로 베어링 고장을 진단하고, 고장진단을 위해 고장과 관련된 다수의 특성인자들(예를 들어, RMS, Shape factor, kurtosis, square-mean-root, peak-to-peak value, skewness value, impulse factor, crest factor 등)을 직접 추출하여 머신러닝 기법을 적용한다.
하지만, 베어링에서 취득되는 진동, 음향 데이터는 센서 설치 위치 및 취득 방법에 따라 데이터 특성이 많이 바뀌어, 현실적으로 적용하기에 어려움이 있다. 또한, 머신러닝 k-평균 클러스터링(k-means clustering) 기법 또한 k값 선정에 있어 진단 정확도가 민감하게 변한다는 단점이 있다.
또 다른 종래기술에 따른 회전체 진단 장치 및 방법에서는 회전축 중심을 기준으로 90도 간격으로 부착된 한 쌍의 변위 센서에서 취득한 진동 신호를 선형 조합하여 ODR 이미지를 생성하고, ODR 이미지를 이용하여 회전체 이상 여부를 진단하는 구성에 관하여 개시하고 있다.
이러한 종래기술은 발전소 터빈과 같은 대형 회전체 시스템을 대상으로 개발되었고, 일반적으로 한 쌍(2개)의 변위 센서가 설치 되어 있다. 하지만, 베어링 진단을 위해 영구자석 전동기에 종래기술과 같이 한 쌍의 변위 센서를 추가 부착하는 것은 비현실적이다. 1개의 센서를 부착하여 진단하는 것이 일반적이다. ODR 이미지 변환은 한 쌍(2개)의 센서 신호가 존재할 때 가능하다. 1개의 센서로부터 얻은 신호(예를 들어, 속도, 가속도, 전류, 온도 등)로는 ODR 이미지 변환이 불가능하다.
또 다른 종래기술에 따른 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템에서는 회전체에 인가되는 입출력 부하에 대한 시계열 데이터를 시간-주파수 영역의 이미지로 변환하고 딥러닝을 통해 회전체의 고장 여부를 진단하는 구성에 관하여 개시하고 있다.
이러한 종래기술을 영구자석 전동기에 적용하기 위해서는 웨이블렛 함수 선정이 필수적이다. 하지만, 주요 웨이블렛 함수 종류는 8가지 이상으로 구성되어 있어, 사용하고자 하는 데이터 특성마다 최적의 웨이블렛 함수를 선정해야 하는 어려움이 있다. 또한, 한가지의 웨이블렛 함수 군에서도 차수에 따라 수십 가지의 웨이블렛 함수로 나뉘어지고 웨이블렛 임계값에 따라 변환 특성이 계속적으로 변화하기 때문에 일정한 이미지를 산출하기가 어렵다.
한국 등록특허 제10-1823746호(2018.01.24) 한국 등록특허 제10-1748559호(2017.06.13) 한국 등록특허 제10-1998559호(2019.07.04)
본 발명이 이루고자 하는 기술적 과제는 회전체 결함을 진단하기 위해 회전체 파라미터 값(예를 들어, 베어링 규격 등)을 필요로 하는 한계점, 이미지 변환을 위해 한 쌍의 변위 센서 신호를 필요로 하는 한계점 및 웨이블릿 이미지 변환 시 다양한 파라미터 값 선정의 어려움을 개선하기 위한 전류데이터 이미지화 방법 및 장치를 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 회전체 결함 진단을 위한 전류데이터 이미지화 장치는 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 취득부, 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 변환부, 상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 추출부, 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 진단부 및 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화하는 시각화부를 포함한다.
상기 취득부는 상기 동력장치에 관한 파라미터 값 또는 한 쌍의 변위 센서를 필요로 하지 않고, 상기 동력장치의 결함을 간접적으로 진단하기 위해 상기 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득한다.
상기 변환부는 상기 획득된 시계열 데이터의 시간에 따른 변화를 감지하기 위해 RP(Recurrence Plot) 값을 증폭하여 s-RP(Sparse Recurrence Plot) 값을 구한다.
상기 변환부는 진동, 전류 또는 온도 중 하나를 측정하는 하나의 센서 신호만을 이용하여 희소특성을 추출하므로 이미지 변환을 위해 하나의 파라미터 값만을 선정한다.
상기 추출부는 상기 동력장치의 결함 여부를 판단하기 위한 결함 지표 및 시각화를 위한 특성인자를 추출한다.
상기 진단부는 상기 동력장치의 결함 여부를 판단하기 위해 특성인자 간의 상관관계에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구한다.
상기 진단부는 하기 식을 이용하여 마할라노비스 거리를 구하고,
여기서, MD(i)는 시계열 데이터의 i 번째 데이터 포인트에 대한 마할라노비스 거리, W(i) 시계열 데이터의 i 번째 데이터 포인트에 대한 활성화 값의 절대 값(i = 1,2,3, ..., N, N은 양수), 는 1에서 N 데이터 포인트까지의 평균 활성화 값, 는 1에서 N 데이터 포인트까지의 역 공분산 활성화 값을 나타낸다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 회전체 결함 진단을 위한 전류데이터 이미지화 방법은 취득부가 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 단계, 변환부가 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 단계, 추출부가 상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 단계, 진단부가 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 단계 및 시각화부가 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화하는 단계를 포함한다.
본 발명의 실시예들에 따른 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치는 회전체 파라미터 값을 필요로 하지 않고, 회전체에 센서를 직접 부착하지 않고도 모터의 구동전류를 이용하여 간접적으로 결함 진단하다. 또한, 본 발명의 실시예들에 따른 이미지 변환 기술에서 한 개의 센서 신호(예를 들어, 진동, 전류, 온도 등)만을 사용하여 한 개의 파라미터 값만 선정하고, 제안하는 이미지 변환 기술을 통해 결함 진단에 대한 시각화를 진행하여 사용자 편의를 극대화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 회전체 결함 진단을 위한 전류데이터 이미지화 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 회전체 결함 진단을 위한 전류데이터 이미지화 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 희소사전학습을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 s-RP 값을 이용한 데이터 변화 감지 결과를 종래기술과 비교하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 특성인자 추출 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 마할라노비스 거리를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 회전체 결함 진단을 위한 실험 셋팅을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 회전체 결함 진단 결과를 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 회전체 결함 진단 결과를 종래기술과 비교하는 도면이다.
본 발명은 회전설비 생산 또는 운용 단계에서 회전체 결함 진단을 위한 방법 및 장치에 관한 것이다. 본 발명은 회전체 진단뿐만 아니라 시계열 데이터를 사용하는 공학 응용사례에도 활용될 수 있다. 본 발명의 실시예에 따르면, 베어링에 직접 센서를 부착하지 않아도 모터의 전력 데이터만으로 회전체 정상 또는 결함의 판정이 가능하고, 회전체를 활용하는 풍력발전기, 전기자동차 등 다양한 산업계에서의 상태 진단에 활용 가능하다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 회전체 결함 진단을 위한 전류데이터 이미지화 장치의 구성을 나타내는 도면이다.
제안하는 회전체 결함 진단을 위한 전류데이터 이미지화 장치는 취득부(110), 변환부(120), 추출부(130), 진단부(140), 시각화부(150) 및 제어부(160)를 포함한다.
본 발명의 실시예에 따른 취득부(110)는 본 발명의 실시예에 따른 제어부(160)를 통해 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득한다.
본 발명의 실시예에 따른 취득부(110)는 동력장치에 관한 파라미터 값 또는 한 쌍(2개)의 변위 센서를 필요로 하지 않고, 상기 동력장치의 결함을 간접적으로 진단하기 위해 상기 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득한다.
동력장치, 다시 말해 회전체 변형 및 균열은 로터 불균형에 영향을 주고, 로터 회전 속도의 특성 주파수를 자극하여 주축의 진동을 유발한다. 이러한 주축의 진동은 메인 모터 전기 출력에 영향을 준다. 따라서, 모터 전기출력신호 데이터를 이용하여 회전체 상태 정보를 파악할 수 있다.
회전체 결함이 발생하면, 결함으로 발생한 로터 회전축에 불균형을 일으킨다. 이러한 불균형은 모터의 전기적 회로에 의해 회전 주파수의 하모닉 성분 및 노이즈 성분을 발생시킨다. 이러한 성분들로 인해 3상 전류 중 결함이 발생한 전류 신호의 크기 및 모양이 변하게 된다.
본 발명의 실시예에 따른 이미지 변환 기술에서는 전류데이터를 예시로서 이미지화 과정을 설명하지만, 이에 한정되지 않고 동력장치의 결함을 간접적으로 진단하기 위한 진동, 온도 등을 포함할 수도 있다.
종래기술에 따르면, 전류데이터의 이미지화를 위해서는 한 쌍(2개)의 센서 신호를 필요로 한다. 반면에 본 발명에서는 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득하여 동력장치의 결함을 간접적으로 진단하므로 하나의 센서 신호만으로 전류데이터의 이미지화가 가능하다.
본 발명의 실시예에 따른 변환부(120)는 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환한다.
본 발명의 실시예에 따르면, 전류 신호의 약한 변화를 증폭하기 위해 희소사전학습을 이용하여 1차원 전류 파형을 2차원 전류로 이미지화 한다.
본 발명의 실시예에 따른 변환부(120)는 진동, 전류 또는 온도 중 하나를 측정하는 하나의 센서 신호만을 이용하여 희소특성을 추출하므로 이미지 변환을 위해 하나의 파라미터 값만을 선정한다.
본 발명의 실시예에 따른 추출부(130)는 상기 변환된 2차원 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출한다.
본 발명의 실시예에 따른 추출부(130)는 동력장치의 결함 여부를 판단하기 위한 결함 지표 및 시각화를 위한 특성인자를 추출한다. 추출된 특성인자는 제어부(160)를 통해 진단부(140)에 전달될 수 있다.
본 발명의 실시예에 따른 변환부(120)는 추출된 특성인자를 이용하여 2차원 희소 전류 이미지 데이터를 획득한다. 다시 말해, 약한 신호에 대한 정보를 극대화시킨 2차원 이미지로 재구성한다.
본 발명의 실시예에 따른 변환부(120)는 상기 획득된 시계열 데이터의 시간에 따른 변화를 감지하기 위해 RP(Recurrence Plot) 값을 증폭하여 s-RP(Sparse Recurrence Plot) 값을 구한다.
본 발명의 실시예에 따른 진단부(140)는 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단한다.
본 발명의 실시예에 따른 진단부(140)는 상기 동력장치의 결함 여부를 판단하기 위해 특성인자 간의 상관관계에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구한다.
본 발명의 실시예에 따른 마할라노비스 거리는 하기식을 이용하여 계산된다:
.
여기서, MD(i)는 시계열 데이터의 i 번째 데이터 포인트에 대한 마할라노비스 거리, W(i) 시계열 데이터의 i 번째 데이터 포인트에 대한 활성화 값의 절대 값(i = 1,2,3, ..., N, N은 양수), 는 1에서 N 데이터 포인트까지의 평균 활성화 값, 는 1에서 N 데이터 포인트까지의 역 공분산 활성화 값을 나타낸다.
본 발명의 실시예에 따른 시각화부(150)는 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화한다.
도 2는 본 발명의 일 실시예에 따른 회전체 결함 진단을 위한 전류데이터 이미지화 방법을 설명하기 위한 흐름도이다.
제안하는 회전체 결함 진단을 위한 전류데이터 이미지화 방법은 취득부가 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 단계(210), 변환부가 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 단계(220), 추출부가 상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 단계(230), 진단부가 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 단계(240) 및 시각화부가 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화하는 단계(250)를 포함한다.
단계(210)에서, 취득부가 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득한다.
본 발명의 실시예에 따른 취득부는 동력장치에 관한 파라미터 값 또는 한 쌍(2개)의 변위 센서를 필요로 하지 않고, 상기 동력장치의 결함을 간접적으로 진단하기 위해 상기 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득한다.
종래기술에 따르면, 전류데이터의 이미지화를 위해서는 한 쌍(2개)의 센서 신호를 필요로 한다. 반면에 본 발명에서는 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득하여 동력장치의 결함을 간접적으로 진단하므로 하나의 센서 신호만으로 전류데이터의 이미지화가 가능하다.
단계(220)에서, 변환부가 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환한다.
본 발명의 실시예에 따르면, 전류 신호의 약한 변화를 증폭하기 위해 희소사전학습을 이용하여 1차원 전류 파형을 2차원 전류로 이미지화 한다.
본 발명의 실시예에 따른 변환부는 진동, 전류 또는 온도 중 하나를 측정하는 하나의 센서 신호만을 이용하여 희소특성을 추출하므로 이미지 변환을 위해 하나의 파라미터 값만을 선정한다.
단계(230)에서, 추출부가 상기 변환된 2차원 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출한다.
본 발명의 실시예에 따른 추출부는 동력장치의 결함 여부를 판단하기 위한 결함 지표 및 시각화를 위한 특성인자를 추출한다. 추출된 특성인자는 제어부를 통해 진단부에 전달될 수 있다.
본 발명의 실시예에 따른 변환부는 추출된 특성인자를 이용하여 2차원 희소 전류 이미지 데이터를 획득한다. 다시 말해, 약한 신호에 대한 정보를 극대화시킨 2차원 이미지로 재구성한다.
본 발명의 실시예에 따른 변환부는 상기 획득된 시계열 데이터의 시간에 따른 변화를 감지하기 위해 RP(Recurrence Plot) 값을 증폭하여 s-RP(Sparse Recurrence Plot) 값을 구한다.
단계(240)에서, 진단부가 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단한다.
본 발명의 실시예에 따른 진단부는 상기 동력장치의 결함 여부를 판단하기 위해 특성인자 간의 상관관계에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구한다.
단계(250)에서, 시각화부가 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화한다.
도 3은 본 발명의 일 실시예에 따른 희소사전학습을 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 취득부를 통해 획득한 1차원 전류 파형에 대하여 변환부를 통해 2차원 전류 이미지 데이터를 획득하고, 추출부를 통해 2차원 전류 이미지 데이터에 대한 희소사전학습을 수행하여 특성인자를 추출한다.
도 3을 참조하면, 본 발명의 실시예에 따른 희소사전학습은 레이블이 지정되지 않은 입력 데이터 (x1, ..., xm)에 대하여 사전(dictionary)에 있는 원소(atom) (d1, d2, ..., dn)의 선형 조합(x = s1d1 + s2d2 + + sndn)으로 설명할 수 있다. 희소사전학습은 선형 계수 (s1, s2, ..., sn)를 가능한 0으로 만드는 선형 계수를 찾도록 학습하는 알고리즘을 나타낸다.
희소사전학습은 사전(dictionary)에 있는 원소(atom) D와 선형 계수 s를 입력으로 하여 하기식을 통해 학습할 수 있다:
여기서, 는 재구성 에러, 는 희소 특성 패널티, 는 패널티 파라미터를 나타낸다.
이후, 희소 특성 분류기를 통해 하기식을 이용하여 분류를 수행한다:
여기서, W는 분류기(classifier), H는 입력 레이블을 나타낸다.
최종적으로, 사전에 있는 원소 D, 선형 계수 s 및 분류기 W를 이용한 희소사전학습은 아래와 같이 정리될 수 있다:
도 4는 본 발명의 일 실시예에 따른 s-RP 값을 이용한 데이터 변화 감지 결과를 종래기술과 비교하는 도면이다.
종래기술에 따른 데이터 이미지화 기법으로는 RP(Recurrence Plot), GAF(Gramian Angular Field), MTF(Markov Transition Field), AM(Affinity Matrix), DTW(Dynamic Time Warping) 등이 있다.
종래기술에 따른 RP(Recurrence Plot) 기법은 빠른 변환 속도와 비선형 데이터 분석에 용이하다는 장점이 있지만, 노이즈에 약하고, 약한 변화에 대한 감지율 낮다.
종래기술에 따른 GAF(Gramian Angular Field) 기법은 시간 성분 반영도가 높은 장점이 있지만, 매우 큰 이미지와 느린 변환 속도를 갖는다는 단점이 있다.
종래기술에 따른 MTF(Markov Transition Field) 기법은 함축적 정보를 싣기에 용이하지만, 시간 성분 반영도 낮다는 단점이 있다.
종래기술에 따른 AM(Affinity Matrix) 기법 및 DTW(Dynamic Time Warping) 기법은 신호의 유사성을 이용한 이미지화 기법이라는 장점이 있지만, 신호의 길이의 영향을 받는다는 단점이 있다.
본 발명에서는 원본 RP 기법의 약한 데이터 변화를 감지하는데 어려움이 있는 단점을 개선하기 위해 수정된 이미징 방정식을 제안한다.
종래기술에 따른 RP 기법의 이미징 방정식은 하기식과 같다:
여기서, i, j는 데이터 파형의 벡터 값이고, 은 미리 정해진 임계값이다.
본 발명의 실시예에 따른 s-RP(Sparse Recurrence Plot) 기법의 이미징 방정식은 하기식과 같다:
여기서, RP는 원본 RP 값, Ds는 재구성된 RP 값, s 는 RP의 희소 특성을 나타낸다.
도 4(a)는 정상 상태, 도 4(b)는 약한 결함, 도 4(c)는 심한 결함에 따른 데이터 변화의 감지를 종래기술의 RP 기법을 이용하여 감지한 결과와 본 발명의 실시예에 따른 s-RP 기법을 이용하여 감지한 결과를 나타내는 도면이다.
본 발명의 실시예에 따른 s-RP 기법을 사용하면 기존 전류데이터에서 감지하기 어려운 약한 변화를 극대화시키는 것을 확인할 수 있다.
도 5는 본 발명의 일 실시예에 따른 특성인자 추출 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 특성인자 추출을 위한 추출기는 도 5와 같이 사전 학습된 CNN 정보를 이용하여 학습될 수 있다.
본 발명의 실시예에 따른 s-RP 기법을 통해 데이터의 변화를 증폭시킨 sRP 이미지를 입력 받아 딥러닝 모듈을 통해 특성인자를 추출하고, 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 또는 정상 여부를 판단할 수 있다. 본 발명의 실시예에 따르면, 상기 동력장치의 결함 여부를 판단하기 위해 특성인자 간의 상관관계에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구할 수 있다.
도 6은 본 발명의 일 실시예에 따른 마할라노비스 거리를 설명하기 위한 도면이다.
본 발명의 실시예에 따른 마할라노비스 거리(Mahalanobis Distance; MD)는 데이터 분포로부터 특정 데이터와의 거리를 의미한다. 마할라노비스 거리는 변수들 간의 상관관계를 고려한다는 점에 있어서 종래기술의 유클리디안 거리와 다르다.
도 6을 참조하여 유클리디안 거리와 마할라노비스 거리를 비교하면, 유클리디안 거리는 특정 데이터로부터의 거리가 d1 < d3 < d2 로 나타내지는 반면, 마할라노비스 거리는 특성인자 분포의 상대적 거리에 따라 dM1= dM2 < dM3 로 나타낼 수 있다.
도 6에 도시된 마할라노비스 거리를 구하는 식에서, 는 데이터의 벡터, 는 평균 값 벡터, 은 역 공분산 행렬을 나타낸다.
본 발명의 실시예에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구할 수 있다.
도 7은 본 발명의 일 실시예에 따른 회전체 결함 진단을 위한 실험 셋팅을 나타내는 도면이다.
도 7은 동력장치의 모터 회전축에 연결된 베어링 하우징에 결함이 발생한 경우, 결함 진단을 위한 실험 셋팅을 도시하였다.
모터 회전축에 연결된 베어링 하우징에 0.3mm, 1mm, 3mm의 결함이 발생한 경우에 대한 실험을 진행하였다.
도 8은 본 발명의 일 실시예에 따른 회전체 결함 진단 결과를 나타내는 도면이다.
도 8(a)는 정상, 도 8(b)는 0.3mm 의 결함, 도 8(c)는 1.0mm 의 결함, 도8(d)는 3.0mm 의 결함이 발생한 경우에 대하여
본 발명의 실시예에 따른 s-RP 기법을 이용하여 감지한 결과와 희소사전학습을 통해 희소특성이 반영된 2차원 이미지를 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 회전체 결함 진단 결과를 종래기술과 비교하는 도면이다.
도 9(a)는 종래기술에 따른 특성인자 추출 기법을 사용한 결함 진단 결과를 나타내고, 도 9(b)는 본 발명의 실시예에 따른 마할라노비스 거리를 이용한 결함 진단 결과를 나타낸다.
본 발명의 실시예에 따른 정상, 1%, 3%, 10%로 결함 심각도가 증가함에 따라 마할라노비스 거리 MD 값도 증가하는 것을 확인할 수 있다. 정상과 10% 결함은 시각적으로 확연히 구분됨을 확인할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

  1. 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 취득부;
    상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 변환부;
    상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 추출부;
    상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 진단부; 및
    상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화하는 시각화부
    를 포함하는 동력장치의 결함 진단을 위한 장치.
  2. 제1항에 있어서,
    상기 취득부는,
    상기 동력장치에 관한 파라미터 값 또는 한 쌍의 변위 센서를 필요로 하지 않고, 상기 동력장치의 결함을 간접적으로 진단하기 위해 상기 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득하는
    동력장치의 결함 진단을 위한 장치.
  3. 제1항에 있어서,
    상기 변환부는,
    상기 획득된 시계열 데이터의 시간에 따른 변화를 감지하기 위해 RP(Recurrence Plot) 값을 증폭하여 s-RP(Sparse Recurrence Plot) 값을 구하는
    동력장치의 결함 진단을 위한 장치.
  4. 제3항에 있어서,
    상기 변환부는,
    진동, 전류 또는 온도 중 하나를 측정하는 하나의 센서 신호만을 이용하여 희소특성을 추출하므로 이미지 변환을 위해 하나의 파라미터 값만을 선정하는
    동력장치의 결함 진단을 위한 장치.
  5. 제1항에 있어서,
    상기 추출부는,
    상기 동력장치의 결함 여부를 판단하기 위한 결함 지표 및 시각화를 위한 특성인자를 추출하는
    동력장치의 결함 진단을 위한 장치.
  6. 제1항에 있어서,
    상기 진단부는,
    상기 동력장치의 결함 여부를 판단하기 위해 특성인자 간의 상관관계에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구하는
    동력장치의 결함 진단을 위한 장치.
  7. 제6항에 있어서,
    상기 진단부는,
    하기 식을 이용하여 마할라노비스 거리를 구하고,

    여기서, MD(i)는 시계열 데이터의 i 번째 데이터 포인트에 대한 마할라노비스 거리, W(i) 시계열 데이터의 i 번째 데이터 포인트에 대한 활성화 값의 절대 값(i = 1,2,3, ..., N, N은 양수), 는 1에서 N 데이터 포인트까지의 평균 활성화 값, 는 1에서 N 데이터 포인트까지의 역 공분산 활성화 값을 나타내는
    동력장치의 결함 진단을 위한 장치.
  8. 취득부가 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 단계;
    변환부가 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 단계;
    추출부가 상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 단계;
    진단부가 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 단계; 및
    시각화부가 상기 특성인자 분포의 상대적 거리에 따라 상기 동력장치의 결함에 대한 판단 결과의 심각도를 시각화하는 단계
    를 포함하는 동력장치의 결함 진단을 위한 방법.
  9. 제8항에 있어서,
    상기 취득부가 동력장치에 인가되는 입력 부하 또는 출력 부하에 관한 시간에 따른 신호를 시계열 데이터로 획득하는 단계는,
    상기 동력장치에 관한 파라미터 값 또는 한 쌍의 변위 센서를 필요로 하지 않고, 상기 동력장치의 결함을 간접적으로 진단하기 위해 상기 동력장치의 모터의 구동전류를 이용하여 시계열 데이터를 획득하는
    동력장치의 결함 진단을 위한 방법.
  10. 제8항에 있어서,
    상기 변환부가 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 단계는,
    상기 획득된 시계열 데이터의 시간에 따른 변화를 감지하기 위해 RP(Recurrence Plot) 값을 증폭하여 s-RP(Sparse Recurrence Plot) 값을 구하는
    동력장치의 결함 진단을 위한 방법.
  11. 제10항에 있어서,
    상기 변환부가 상기 획득된 시계열 데이터를 희소사전학습을 통해 희소특성이 반영된 이미지 형태로 변환하는 단계는,
    진동, 전류 또는 온도 중 하나를 측정하는 하나의 센서 신호만을 이용하여 희소특성을 추출하므로 이미지 변환을 위해 하나의 파라미터 값만을 선정하는
    동력장치의 결함 진단을 위한 방법.
  12. 제8항에 있어서,
    상기 추출부가 상기 변환된 이미지에 대하여 딥러닝 모듈을 통해 특성인자를 추출하는 단계는,
    상기 동력장치의 결함 여부를 판단하기 위한 결함 지표 및 시각화를 위한 특성인자를 추출하는
    동력장치의 결함 진단을 위한 방법.
  13. 제8항에 있어서,
    상기 진단부가 상기 특성인자 분포의 상대적 거리에 따라 동력장치의 결함 여부를 판단하는 단계는,
    상기 동력장치의 결함 여부를 판단하기 위해 특성인자 간의 상관관계에 따른 마할라노비스 거리(Mahalanobis Distanc; MD)를 이용하여 특성인자의 활성화 값을 구하는
    동력장치의 결함 진단을 위한 방법.
  14. 제13항에 있어서,
    하기 식을 이용하여 상기 마할라노비스 거리를 구하고,

    여기서, MD(i)는 시계열 데이터의 i 번째 데이터 포인트에 대한 마할라노비스 거리, W(i) 시계열 데이터의 i 번째 데이터 포인트에 대한 활성화 값의 절대 값(i = 1,2,3, ..., N, N은 양수), 는 1에서 N 데이터 포인트까지의 평균 활성화 값, 는 1에서 N 데이터 포인트까지의 역 공분산 활성화 값을 나타내는
    동력장치의 결함 진단을 위한 방법.
KR1020220032157A 2022-03-15 2022-03-15 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치 KR20230134850A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220032157A KR20230134850A (ko) 2022-03-15 2022-03-15 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220032157A KR20230134850A (ko) 2022-03-15 2022-03-15 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230134850A true KR20230134850A (ko) 2023-09-22

Family

ID=88190231

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220032157A KR20230134850A (ko) 2022-03-15 2022-03-15 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230134850A (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748559B1 (ko) 2015-12-04 2017-06-20 주식회사 원프레딕트 회전체 진단 장치 및 방법
KR101823746B1 (ko) 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
KR101998559B1 (ko) 2017-12-07 2019-07-10 한국생산기술연구원 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748559B1 (ko) 2015-12-04 2017-06-20 주식회사 원프레딕트 회전체 진단 장치 및 방법
KR101823746B1 (ko) 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
KR101998559B1 (ko) 2017-12-07 2019-07-10 한국생산기술연구원 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
M. Wozniak et al., "Application of Mossbauer Spectroscopy, Multidimensional Discriminant Analysis, and Mahalanobis Distance for Classification of Equilibrated Ordinary Chondrites," Meteoritics & Planetary Science, Vol.54, No.8, 2019.

Similar Documents

Publication Publication Date Title
Leite et al. Detection of localized bearing faults in induction machines by spectral kurtosis and envelope analysis of stator current
CN112285554B (zh) 基于信息融合的永磁同步电机退磁故障诊断方法与装置
Glowacz DC motor fault analysis with the use of acoustic signals, Coiflet wavelet transform, and K-nearest neighbor classifier
CN110221137B (zh) 一种基于振声相关性的配电变压器异常状态检测方法
CN109855874B (zh) 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN113486868B (zh) 一种电机故障诊断方法及系统
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN108760294B (zh) 旋转机械设备自动诊断系统及方法
CN111060844A (zh) 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置
Zhao et al. Detection of interturn short-circuit faults in DFIGs based on external leakage flux sensing and the VMD-RCMDE analytical method
CN113255458A (zh) 基于多视图关联特征学习的轴承故障诊断方法
Kumar et al. A brief review of condition monitoring techniques for the induction motor
Sun et al. A novel rolling bearing vibration impulsive signals detection approach based on dictionary learning
CN112949402A (zh) 极小故障样本量下行星齿轮箱故障诊断方法
Senanayaka et al. Multiple fault diagnosis of electric powertrains under variable speeds using convolutional neural networks
Devarajan et al. Detection and classification of mechanical faults of three phase induction motor via pixels analysis of thermal image and adaptive neuro-fuzzy inference system
Osornio-Rios et al. Data fusion system for electric motors condition monitoring: an innovative solution
US9146100B2 (en) Wind turbine condition monitoring method
KR20230134850A (ko) 회전체 결함 진단을 위한 전류데이터 이미지화 방법 및 장치
Jung et al. Fault Diagnosis of Inter-turn Short Circuit in Permanent Magnet Synchronous Motors with Current Signal Imaging and Semi-Supervised Learning
Souad et al. Fault diagnosis of rolling element bearings using artificial neural network
Pazouki et al. Fault diagnosis and condition monitoring of bearing using multisensory approach based fuzzy-logic clustering
Gülmezoğlu et al. An approach for bearing fault detection in electrical motors
Ferracuti et al. Multi-Scale PCA based fault diagnosis for rotating electrical machines
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration