KR20240006214A - 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법 - Google Patents

기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법 Download PDF

Info

Publication number
KR20240006214A
KR20240006214A KR1020220082978A KR20220082978A KR20240006214A KR 20240006214 A KR20240006214 A KR 20240006214A KR 1020220082978 A KR1020220082978 A KR 1020220082978A KR 20220082978 A KR20220082978 A KR 20220082978A KR 20240006214 A KR20240006214 A KR 20240006214A
Authority
KR
South Korea
Prior art keywords
condition monitoring
data
monitoring data
diagnosis
trend
Prior art date
Application number
KR1020220082978A
Other languages
English (en)
Inventor
김봉기
김상렬
이성현
서윤호
마평식
우정한
김동준
Original Assignee
한국기계연구원
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 한국기계연구원 filed Critical 한국기계연구원
Priority to KR1020220082978A priority Critical patent/KR20240006214A/ko
Publication of KR20240006214A publication Critical patent/KR20240006214A/ko

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Abstract

본 발명은 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법에 관한 것이다. 본 발명의 목적은, 대량 누적되거나 정돈된 측정데이터 또는 정량적인 분석을 반드시 필요로 하지 않고도, 기계설비에 있어서 상태감시데이터의 경향성을 이용하여 정성적이더라도 상당한 신뢰성을 가지고 잔여수명을 예측할 수 있도록 해 주는, 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법을 제공함에 있다. 보다 구체적으로는, 본 발명의 목적은, 상태감시데이터에 일정경향성 적용 및 중요점 추출을 적용하고 이를 통해 경향성을 규명함으로써 잔여수명을 예측하는, 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법을 제공함에 있다.

Description

기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법 {Lifetime prediction method using tendency diagnosis of machine monitoring data}
본 발명은 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법에 관한 것으로, 보다 상세하게는 기계장치나 설비의 상태를 감시 및 진단하기 위한 목적으로 설치되는 상태감시시스템에서 측정된 데이터를 기반으로 기계의 수명을 예측하는 방법에 관한 것이다.
기계장치나 설비의 상태를 감시 및 진단하기 위하여, 기계 상의 여러 중요지점에서 측정되는 진동, 온도 등과 같은 다양한 물리량을 실시간으로 측정하는 상태감시시스템이 설치되는 경우가 많이 있다. 이러한 상태감시시스템에서 측정된 진동, 온도 등과 같은 물리량을 통칭하여 상태감시데이터라고 한다. 기계마다 사용목적, 작동원리 등이 천차만별이기 때문에, 상태감시데이터는 해당 기계 및 목적에 맞춤형으로 선정될 수 있다. 예를 들어 감시대상이 발전소의 기계라 할 때, 감시목적이 전력이 올바르게 생산되고 있는지 파악하기 위한 경우라면 각부에서의 전압, 전류, 저항 등이 상태감시데이터가 될 수 있다. 또는 감시목적이 기계 자체의 손상이나 파손 발생, 교체나 수리 필요 여부를 파악하기 위한 경우라면 각부에서의 진동, 소음, 온도, 변형 등이 상태감시데이터가 될 수 있다.
한국특허등록 제2068643호("풍력발전기 예지방법", 2020.01.15., 이하 '선행문헌')에서는, 장시간 축적된 풍력발전기의 결함 데이터를 활용하여, 통계적인 추정 또는 상태지수를 이용한 추정을 통해, 풍력발전기 전체의 각부에 대한 수명을 통합적으로 관리하고 예측하는 풍력발전기 예지방법이 개시된다. 선행문헌에서는 상태감시데이터의 경향성을 어떠한 함수로 모델링하고, 실시간 갱신을 통해 예측을 수행하였다. 선행문헌의 기술은 부품별, 위치별 측정데이터에 가중치를 두어 부품별 예상수명을 예측하되, 상태지수의 변화 경향을 추정함수 형태로 도출하여 추정함수를 기반으로 부품별 예상수명을 예측하도록 함으로써 상당히 정량적인 예측이 가능하게 해 주는 큰 효과가 있다.
한편 선행문헌을 현장에 적용하여 실제로 수명예측을 실행하기 위해서는 측정 데이터로 계산되는 상태지수의 변화가 필수적이다. 만약 현재 상태지수의 경향이 일정하다면, 위에서 언급한 추정함수가 일정한 값(시간에 따라 변화 없는 직선)이 되고, 이는 현재의 기계 상태가 계속 이어진다는 것이기 때문에 선행문헌 기술에 의한 수명 예측은 불가능하다. 즉, 상태지수가 일정한지 변화하는지의 판단이 수명예측 이전에 이루어져야 하며, 이와 같은 경향성이 변화하는 시점을 규명하는 기술은 학문적으로 다양하게 연구되어 왔다. 그러나 아직까지는 복잡한 알고리즘과 많은 가정들로 인하여 실제 현장에 적용하기에는 어려움이 많다.
한국특허등록 제2068643호("풍력발전기 예지방법", 2020.01.15.)
따라서, 본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은, 대량 누적되거나 정돈된 측정데이터 또는 정량적인 분석을 반드시 필요로 하지 않고도, 기계설비에 있어서 상태감시데이터의 경향성을 이용하여 정성적이더라도 상당한 신뢰성을 가지고 잔여수명을 예측할 수 있도록 해 주는, 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법을 제공함에 있다. 보다 구체적으로는, 본 발명의 목적은, 상태감시데이터에 일정경향성 적용 및 중요점 추출을 적용하고 이를 통해 경향성을 규명함으로써 잔여수명을 예측하는, 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법을 제공함에 있다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법은, 기계설비의 상태를 감시 및 진단하기 위한 상태감시시스템에 의해 획득되는 상태감시데이터를 기반으로 상기 기계설비의 잔여수명을 예측하는 수명예측시스템에 의해 수행되는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법으로서, 상기 상태감시시스템에 의하여 상기 기계설비의 상기 상태감시데이터가 획득되는 데이터획득단계; 상기 수명예측시스템에 의하여 상기 상태감시데이터에 일정경향성(isotonic regression)이 적용되어 경향성적용데이터로 변환되는 일정경향성적용단계; 상기 수명예측시스템에 의하여 상기 경향성적용데이터로부터 중요점(skeleton value)이 추출되고 나머지는 제거되어 중요점추출데이터로 변환되는 중요점추출단계; 상기 수명예측시스템에 의하여 상기 중요점추출데이터에서 기결정된 기간 동안의 기울기 또는 변화빈도에 따라 경향성이 규명되는 경향성진단단계; 상기 수명예측시스템에 의하여 규명된 경향성에 따라 예측잔여수명이 산출되는 잔여수명예측단계; 를 포함할 수 있다.
이 때 상기 데이터획득단계는, 상기 기계설비의 부품 및 위치에 따라 독립적으로 설치된 복수 개의 센서로부터 측정되는 물리량을 포함하는 측정변수를 기반으로 하여 상기 상태감시데이터가 획득되도록 형성될 수 있다.
또한 상기 데이터획득단계는, 상기 측정변수가 그대로 상기 상태감시데이터로서 사용되거나, 복수 개의 상기 측정변수의 정규화된 값에 각각 별도의 가중치를 곱하여 더한 값이 상기 상태감시데이터로서 사용되도록 형성될 수 있다.
이 때 상기 데이터획득단계는, 상기 가중치 값이 부품별로 각각 독립적으로 결정되도록 형성될 수 있다.
또한 상기 일정경향성적용단계는, 상기 상태감시데이터에 내포된 시간경과에 따른 데이터값의 상승 및 하강의 불규칙성을 일정경향성(isotonic regression) 적용을 통해 완화시킴으로써, 상기 경향성적용데이터가 시간경과에 따라 상태가 일관되게 변화하는 경향성을 가지도록 형성될 수 있다.
또한 상기 중요점추출단계는, 상기 경향성적용데이터에 내포된 측정기간에 따른 데이터개수의 과도 또는 부족으로 나타나는 편향오차를 중요점(skeleton value) 추출을 통해 완화시킴으로써, 상기 중요점추출데이터가 분석될 때 측정기간에 따른 오류편향 가능성이 저감되도록 형성될 수 있다.
또한 상기 경향성진단단계는, 상기 상태감시데이터 또는 상기 중요점추출데이터를 이용하여, 기결정된 판단기준을 기반으로 상기 상태감시데이터가 일정한 상태인지 또는 변화하는 상태인지의 경향성이 규명되도록 형성될 수 있다.
이 때 상기 경향성진단단계는, 기결정된 일정기간에 대하여, 상기 상태감시데이터의 최근기울기를 사용하여 진단하거나, 상기 중요점추출데이터의 최근기울기를 사용하여 진단하거나, 상기 중요점추출데이터의 일정기간 변화빈도를 사용하여 진단할 수 있다.
또한 상기 잔여수명예측단계는, 상기 상태감시데이터가 일정한 상태이면 경과운전시간을 이용하여 예측잔여수명이 산출되고, 상기 상태감시데이터가 변화하는 상태이면 상기 상태감시데이터에 기반하여 예측잔여수명을 외삽(extrapolation)함으로써 예측잔여수명이 산출되도록 형성될 수 있다.
보다 구체적으로, 상기 잔여수명예측단계는, 외삽 시 누적손상 또는 설계정보를 이용한 하중기반외삽 또는 곡선맞춤 또는 통계적특성을 이용한 데이터기반외삽을 통해 예측잔여수명이 산출될 수 있다.
또한 상기 잔여수명예측단계는, 상기 측정변수가 그대로 상기 상태감시데이터로서 사용되는 경우 상기 기계설비의 부품별로 예측잔여수명이 산출되며, 복수 개의 상기 측정변수의 정규화된 값에 각각 별도의 가중치를 곱하여 더한 값이 상기 상태감시데이터로서 사용되는 경우 상기 기계설비의 전체 예측잔여수명이 산출된 후, 상기 측정변수, 상기 가중치 및 상기 상태감시데이터 간의 관계를 통해 상기 전체 예측잔여수명으로부터 부품별 예측잔여수명이 산출되도록 형성될 수 있다.
본 발명에 의하면, 기계설비에 있어서 상태감시데이터의 경향성을 이용하여 대량 누적되거나 측정 데이터가 상승/하강을 불규칙적으로 반복하는 복잡한 기계시스템에 대한 수명예측에 대해 상당히 높은 신뢰성을 얻을 수 있는 큰 효과가 있다. 보다 구체적으로는, 본 발명에서는 상태감시데이터에 일정경향성 적용 및 중요점 추출을 적용하고 이를 통해 경향성을 규명함으로써 잔여수명을 예측하는 방식을 사용한다. 이 때 이 방식의 경우 대량 누적되거나 일정한 경향성(상승 또는 하강)을 갖는 데이터를 필수적으로 필요로 하지 않으며, 또한 데이터를 가지고 어떠한 함수를 추정한다거나 하는 것이 아니라 경향성만을 규명하는 것이기 때문에, 불규칙한 데이터로도 신뢰성 높은 예측이 가능하게 해 주는 것이다.
또한 본 발명에 의하면, 기존의 상태감시 및 진단시스템과의 상호보완 및 정보교류가 용이하여, 기존의 시스템과의 호환성이 높다는 큰 장점이 있다. 즉 부품의 잔여수명 예측을 위해 별도의 시스템을 구축해야 한다거나 기존의 측정데이터를 새로운 예측시스템에 맞도록 가공해야 한다거나 할 필요가 없이, 기존의 상태감시시스템의 측정데이터를 그대로 이용하여 잔여수명 예측을 수행할 수 있다. 따라서 별도 시스템 구축에 필요한 비용, 데이터 가공에 필요한 계산부하 등을 원천적으로 배제할 수 있어, 용이하고 원활하게 기존 시스템에 적용가능한 큰 효과가 있는 것이다.
도 1은 본 발명의 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법의 흐름도.
도 2는 일정경향성 적용예시.
도 3은 중요점 추출예시.
도 4는 변화경향성 진단예시.
도 5는 잔여수명 예측예시.
이하, 상기한 바와 같은 구성을 가지는 본 발명에 의한 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법을 첨부된 도면을 참고하여 상세하게 설명한다.
도 1은 본 발명의 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법의 흐름도를 도시한 것이다. 도 1을 기반으로 본 발명의 수명예측방법을 단계적으로 설명하면 다음과 같다.
앞서 설명한 바와 같이, 본 발명의 수명예측방법은 상태감시데이터를 기반으로 기계설비의 잔여수명을 예측하기 위한 것으로, 데이터를 입력받아 계산하여 예측잔여수명을 산출하는 수명예측시스템에 의해 실현될 수 있다. 이 때 상기 상태감시데이터는, 기계설비의 상태를 감시 및 진단하기 위하여 기계설비에 기존에 구비되어 있는 상태감시시스템에 의해 획득될 수 있다. 여기에서 상기 상태감시시스템 및 상기 수명예측시스템은, 별도의 컴퓨터에 각각 설치된 소프트웨어 형태일 수도 있고, 하나의 컴퓨터에 서로 독립적으로 설치된 소프트웨어 형태일 수도 있고, 또는 하나의 컴퓨터에 설치된 하나의 소프트웨어이되 소프트웨어 내에서 서로 연계되어 동작하는 별개의 모듈 형태일 수도 있는 등 다양하게 변경 실시될 수 있다. 다만 일반적으로 기계설비에는 대개 기존에 상태감시시스템이 이미 설치되어 있는 경우가 많으며, 따라서 본 발명의 수명예측시스템은 기존의 상태감시시스템과 연계동작이 원활하게 이루어질 수 있는 형태로 이루어지면 된다.
본 발명의 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법은, 도 1에 도시된 바와 같이 데이터획득단계, 일정경향성적용단계, 중요점추출단계, 경향성진단단계, 잔여수명예측단계를 포함할 수 있다. 이하에서 각 단계에 대하여 보다 상세히 설명한다.
상기 데이터획득단계에서는, 상기 상태감시시스템에 의하여 상기 기계설비의 상기 상태감시데이터가 획득된다. 여기에서 상기 상태감시데이터에 대하여 구체적으로 설명하면 다음과 같다. 상기 상태감시데이터는, 상기 기계설비의 부품 및 위치에 따라 독립적으로 설치된 복수 개의 센서로부터 측정되는 물리량을 포함하는 측정변수를 기반으로 하는 데이터이다.
보다 구체적으로는, 상기 측정변수가 그대로 상기 상태감시데이터로서 사용될 수도 있고, 또는 복수 개의 상기 측정변수의 정규화된 값에 각각 별도의 가중치를 곱하여 더한 값이 상기 상태감시데이터로서 사용될 수도 있다. 가중치를 사용하는 방식에서는, 상기 가중치 값이 부품별로 각각 독립적으로 결정되도록 형성되는 것이 바람직하다. 즉 예를 들자면, 상기 기계설비가 풍력발전기인 경우, 풍력발전기의 블레이드, 회전축 등으로부터 소음, 진동 등을 측정하고, 발전되어 나오는 전압, 전류 등을 측정하고, 풍력발전기로 들어오는 바람의 풍속, 풍향 등을 측정할 수 있다. 이러한 소음, 진동, 전압, 전류, 풍속, 풍향 등이 바로 측정변수가 되는 것이며, 이것들이 각각 별도의 상태감시데이터로 사용될 수도 있다. 다만 이렇게 할 경우 지나치게 다양한 변수들을 각각 관찰하여야 하기 때문에 오히려 예측이 어려워질 수 있다. 한편 예를 들어 풍력발전기의 경우 회전축이 돌아가면서 소음과 진동이 발생하는 것은 필연적이며, 소음이 커지면 진동도 자연히 커지는 등 서로 연관성이 있음은 직관적으로도 유추할 수 있다. 따라서 소음 및 진동을 적절한 가중치를 두어 서로 묶어 하나의 변수로 만들어서 관찰하면 보다 편리하게 감시를 진행할 수 있다. 이것이 바로 앞서 설명한 가중치를 사용하는 방식의 간단한 예시이다.
부연하자면, 앞서 설명한 바와 같이 일반적으로 기계설비에 상태를 감시하기 위한 상태감시시스템이 이미 설치되어 있는 경우가 많으며, 이러한 경우 해당 상태감시시스템에서 필요와 목적에 따라 측정변수나 상태감시데이터의 형태가 이미 선택되어 결정되어 있다. 본 발명에서는 이러한 상태감시시스템 자체를 새롭게 개선하고자 하는 것이 아니라, 이러한 상태감시데이터를 사용하여 원활하고 신속하면서도 정확하게 잔여수명을 예측하고자 하는 것이다. 따라서 본 발명의 수명예측시스템은 상기 상태감시시스템으로부터 상태감시데이터를 그대로 받아서 분석할 수 있게 형성되기만 하여도 된다. 즉 상기 수명예측시스템을 적용하기 위하여 상기 상태감시시스템을 변경시킬 필요가 전혀 없다는 것이다.
상기 데이터획득단계는 실질적으로 상기 수명예측시스템이 수행하는 단계가 아니라, 상기 수명예측시스템이 분석하기 위한 상기 상태감시데이터가 획득되는 단계이다. 이제 이후 설명될 단계들이 바로 상기 수명예측시스템이 동작함으로써 수행되는 단계들이 된다.
상기 일정경향성적용단계에서는, 상기 수명예측시스템에 의하여 상기 상태감시데이터에 일정경향성(isotonic regression)이 적용되어 경향성적용데이터로 변환된다. 보다 구체적으로 설명하자면, 상기 경향성적용단계에서는, 상기 상태감시데이터에 내포된 시간경과에 따른 데이터값의 상승 및 하강의 불규칙성을 일정경향성(isotonic regression) 적용을 통해 완화시킨다. 일정경향성 적용은 정확도를 향상시키기 위해 예측값을 보정(calibration)하는 방법 중 하나이다.
도 2는 일정경향성 적용예시를 도시한 것으로, 도면 상에서 각 점은 실제 데이터를 나타내며, 점선 그래프는 이 실제 데이터를 선형으로 근사한 것이다. 한편 실선 그래프가 바로 일정경향성 적용 그래프이다. 일정경향성 적용방식은 알고리즘이 단순하여 계산시간이 빠르면서도, 도 2의 그래프로부터도 직관적으로 알 수 있다시피 적절한 정확도를 확보할 수 있어 널리 사용되는 방식이다.
이와 같이 상기 상태감시데이터에 일정경향성이 적용되어 변환된 상기 경향성적용데이터는, 상술한 바와 같이 시간경과에 대한 불규칙성이 완화됨으로써, 시간경과에 따라 상태가 일관되게 변화하는 경향성을 가지도록 형성된다.
상기 중요점추출단계에서는, 상기 수명예측시스템에 의하여 상기 일정경향성적용데이터로부터 중요점(skeleton value)이 추출되고 나머지는 제거되어 중요점추출데이터로 변환된다. 보다 구체적으로 설명하자면, 상기 중요점추출단계에서는, 상기 경향성적용데이터에 내포된 측정기간에 따른 데이터개수의 과도 또는 부족으로 나타나는 편향오차를 중요점(skeleton value) 추출을 통해 완화시킨다.
도 3은 변화중요첨 추출예시를 도시한 것으로, 도시된 바와 같이 상태변수가 일정한 구간의 처음과 끝만 실제 지점으로 저장함으로써, 데이터 밀집도에 따른 곡선맞춤 편향을 완화할 수 있다. 즉 상기 중요점추출단계는, 어느 기간에는 데이터개수가 너무 많고 어느 기간에는 데이터개수가 너무 적어서 일관된 분석이 이루어지기 어려운 문제를 완화하기 위한 것이다. 특히 앞서 상기 경향성적용단계를 거쳐 도 2의 실제 데이터가 실선그래프와 같이 변환된 후라면, 실선그래프를 기반으로 상기 중요점추출단계를 매우 원활하게 수행할 수 있다.
이와 같이 상기 경향성적용데이터에서 중요점이 추출되어 변환된 상기 중요점추출데이터는, 상술한 바와 같이 측정기간에 대한 편향성이 완화됨으로써, 상기 중요점추출데이터가 분석될 때 측정기간에 따른 오류편향 가능성이 저감될 수 있다.
상기 경향성진단단계에서는, 상기 수명예측시스템에 의하여 상기 중요점추출데이터에서 기결정된 기간 동안의 기울기 또는 변화빈도에 따라 경향성이 규명된다. 보다 구체적으로는, 상기 경향성진단단계에서는, 상기 상태감시데이터 또는 상기 중요점추출데이터를 이용하여, 기결정된 판단기준을 기반으로 상기 상태감시데이터가 일정한 상태인지 또는 변화하는 상태인지의 경향성이 규명되게 된다.
도 4는 변화경향성 진단예시를 도시한 것으로, 먼저 도 4의 그래프에 표시된 데이터에 대하여 설명하면 다음과 같다. 도 4의 그래프에서 네모점("measurement")으로 표시된 데이터는 실제로 측정된 데이터 즉 상기 상태감시데이터를 나타내며, 검은원("isotonic regression")으로 표시된 데이터는 상기 상태감시데이터에 일정경향성을 적용하여 얻어진 상기 경향성적용데이터를 나타내며, 십자표("skeleton")로 표시된 데이터는 상기 경향성적용데이터로부터 중요점을 추출하여 얻어진 상기 중요점추출데이터를 나타낸다.
도 4에서는 변화경향성 진단방법의 3가지 예시가 나타나 있다. 간략히 설명하자면, 상기 경향성진단단계는, 기결정된 일정기간에 대하여, 상기 상태감시데이터의 최근기울기를 사용하여 진단하거나, 상기 중요점추출데이터의 최근기울기를 사용하여 진단하거나, 상기 중요점추출데이터의 일정기간 변화빈도를 사용하여 진단할 수 있다. 보다 상세히 설명하자면, 먼저 도 4에서 네모점과 같은 색상의 긴 파선은 측정데이터 즉 상기 상태감시데이터의 최근기울기를 나타내는 것으로, 이로써 일정기간 전체 데이터를 이용하여 경향성을 진단하는 방식이다. 또한 도 4에서 검은원과 같은 색상의 중간 파선은 중요점(skeleton) 즉 상기 중요점추출데이터의 최근기울기를 나타내는 것으로, 이로써 경향성을 진단하는 방식(slope base)은 데이터 밀집의 편향성을 제거한 상태에서 판단한다는 장점이 있다. 또한 도 4에서 십자표와 같은 색상의 짧은 점선은 중요점(skeleton) 즉 상기 중요점추출데이터의 일정기간 변화빈도를 나타내는 것으로, 이로써 경향성을 진단하는 방식(n base)은 변화 횟수를 기반으로 측정 잡음에 강건하다는 장점이 있다. 물론 이로써 본 발명이 한정되는 것은 아니며, 필요와 목적에 따라 다른 진단기준을 사용하여 진단을 수행할 수도 있다.
본 발명에서는, 이 과정에서 데이터로부터 복잡한 함수(다항함수, 지수함수)를 도출하거나 하지 않아도 되며, 실질적으로는 매우 단순하게 기울기를 도출할 수 있는 직선함수 정도만 도출하면 된다. 따라서 진단에 필요한 계산부하 및 계산시간을 크게 저감할 수 있다. 또한 상술한 바와 같이 상태감시데이터 최근기울기, 중요점추출데이터 최근기울기, 중요점추출데이터 일정기간 변화빈도 등의 여러 진단기준들 중 적절히 선택함으로써, 필요와 목적에 따른 적절한 진단결과를 얻을 수 있다.
상기 잔여수명예측단계에서는, 상기 수명예측시스템에 의하여 규명된 경향성에 따라 예측잔여수명이 산출된다. 잔여수명을 예측하는 궁극적인 목적은, 부품의 파손 등과 같은 큰 고장이 발생하기 이전에 적절히 부품을 교체하거나 수리해 주고자 하는 것이다.
상기 상태감시데이터가 일정한 상태이면, 상기 기계설비에 예상치 못한 파손이나 손상이 발생한 것이 아니고 정상적으로 동작하고 있다는 의미이므로, 경과운전시간을 이용하여 잔여수명을 예측한다. 부연하자면, 모든 기계설비는 완전히 정상적으로 동작한다 하더라도 시간이 지나면서 마모 등으로 인하여 자연적으로 노후화되는 것은 당연하다. 따라서 기계설비가 정상동작 시 자연적인 노후화로 인하여 사용불가가 될 때까지 얼마나 걸릴지(=정상동작을 전제한 잔여수명)가 생산/설비완료 시점에 이미 예측되어 있다. 따라서 정상동작 중이라면 잔여수명은 단순히 이미 예측된 값에서 경과운전시간만큼을 빼기만 하면 산출할 수 있다. 즉 정리하자면, 상기 상태감시데이터가 일정한 상태이면 (상기 기계설비가 정상동작 중이므로) 경과운전시간만 가지고 예측잔여수명을 산출할 수 있다.
한편 상기 상태감시데이터가 변화하는 상태이면, 상기 기계설비의 어딘가에서 이상이 발생되었다는 의미이다. 즉 어떤 부품이 파손되어가는 과정에 있다는 것이므로, 이 경우 상기 상태감시데이터에 기반하여 예측잔여수명을 외삽(extrapolation)한다. 이 때의 외삽은, 누적손상 또는 설계정보를 이용한 하중기반외삽이 될 수도 있고, 곡선맞춤 또는 통계적특성을 이용한 데이터기반외삽이 될 수도 있다.
도 5는 상태감시데이터 및 예측잔여수명 그래프를 비교 도시한 것이다. 도 5 상측도면은 상태감시데이터 그래프로서, 도 5의 예시에서는 측정변수로서 가속도를 선택하고 있다. 도시된 바와 같이 0~800일 구간에서는 가속도 값이 대략 3~4 부근에서 큰 변동없는 정도로 측정되다가, 800~1400일 구간에서는 급격하게 변동이 발생함을 직관적으로 확인할 수 있다. 즉 도 5 상측도면의 상태감시데이터 그래프 예시에서는, 0~800일 구간이 상태감시데이터가 일정한 상태인 "일정구간"이고, 800~1400일 구간이 상태감시데이터가 변화하는 상태인 "변화구간"이라고 볼 수 있다.
도 5 하측도면은 바로 도 5 상측도면을 기반으로 하여 예측잔여수명을 그래프로 나타낸 것이다. 앞서도 설명한 바와 같이, 기계설비가 정상적으로 동작한다 하더라도 마모 등으로 인한 자연스러운 노후화가 발생하기 때문에, 실질적으로 생산/설비완료시점에 예측잔여수명 최초값은 이미 산출되어 있다. 즉 생산시점에서 설계수명이 1000일이라고 하면, (기계설비의 정상동작이 전제될 때) 경과운전시간이 1일이면 예측잔여수명은 999일, 경과운전시간이 10일이면 예측잔여수명은 990일, … 등과 같이 단순한 선형감소로서 예측잔여수명을 매우 쉽게 예측할 수 있다. 도 5 하측도면에서의 "일정구간" 부분에서의 그래프가 바로 이러한 부분으로, 수식으로 표현하자면 [예측잔여수명 = 설계수명 ?? 경과운전시간]과 같은 식으로 쓸 수 있다.
한편 "변화구간"에서는 기계설비가 정상동작을 하는 것이 아니며, 그 원인은 예상치 못한 부품의 파손 등이 될 수 있다. 어쨌든 어떠한 사고의 결과로 도 5 상측도면(상대감시데이터 그래프)의 "변화구간"에서도 급격하게 변동되는 측정값이 나타나는 것이다. 따라서 "변화구간"에서의 예측잔여수명 역시 이러한 변화에 상응하는 외삽이 적용되어, 단순한 선형감소가 아닌 다른 형태로 나타나게 된다. 이 때의 외삽은 앞서 설명한 바와 같이 기계설비 자체의 정보(누적손상 또는 설계정보)를 기반으로 한 하중기반외삽 방식을 쓸 수도 있고, 통계처리방식(곡선맞춤 또는 통계적??성)을 기반으로 한 데이터기반외삽 방식을 쓸 수도 있고, 물론 당연히 두 가지 방식을 함께 적용할 수도 있다.
한편 복수 개의 상기 측정변수의 정규화된 값에 각각 별도의 가중치를 곱하여 더한 값이 상기 상태감시데이터로서 사용되는 경우에는, 먼저 총괄적인 상기 상태감시데이터로부터 상기 기계설비의 전체 예측잔여수명이 산출된 후, 상기 측정변수, 상기 가중치 및 상기 상태감시데이터 간의 관계를 통해 상기 전체 예측잔여수명으로부터 부품별 예측잔여수명이 산출되도록 할 수 있다. 즉 측정변수에 가중치를 부여하여 상태감시데이터를 가공해낸 방식을 되짚어 돌아간다고 생각할 수 있다.
종래의 수명예측방법의 경우 복잡한 함수를 도출해내고 이를 계속 보정하는 방식을 사용하였다. 이에 따라 정량적인 분석이 가능하고 정확도를 높일 수 있다는 장점은 있었으나, 함수 도출을 위한 데이터 가공이 필요하거나 복잡한 함수를 도출하기 위하여 과도하게 계산부하, 계산시간 등이 상승한다는 문제가 있었다.
반면 본 발명의 수명예측방법은, 굳이 복잡한 함수를 도출하는 것이 아니라 단지 데이터의 변화경향만을 살피도록 형성된다. 이에 따라 정량적인 분석이 이루어지기는 어렵지만, 정성적으로 '어떠한 부품이 교체 또는 수리 필요성이 있는지의 여부'를 판단하는 데에는 상당히 효과적이다. 또한 상술한 바와 같이 기존의 상태감시시스템과의 연계도 매우 용이하고, 계산부하, 계산시간 등도 종래에 비해 훨씬 저감할 수 있어, 시스템을 꾸미거나 기존 시스템에 연결설치하기 위해 드는 비용 등의 자원을 훨씬 절약할 수 있는 장점이 있다.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이다.

Claims (11)

  1. 기계설비의 상태를 감시 및 진단하기 위한 상태감시시스템에 의해 획득되는 상태감시데이터를 기반으로 상기 기계설비의 잔여수명을 예측하는 수명예측시스템에 의해 수행되는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법으로서,
    상기 상태감시시스템에 의하여 상기 기계설비의 상기 상태감시데이터가 획득되는 데이터획득단계;
    상기 수명예측시스템에 의하여 상기 상태감시데이터에 일정경향성(isotonic regression)이 적용되어 경향성적용데이터로 변환되는 일정경향성적용단계;
    상기 수명예측시스템에 의하여 상기 경향성적용데이터로부터 중요점(skeleton value)이 추출되고 나머지는 제거되어 중요점추출데이터로 변환되는 중요점추출단계;
    상기 수명예측시스템에 의하여 상기 중요점추출데이터에서 기결정된 기간 동안의 기울기 또는 변화빈도에 따라 경향성이 규명되는 경향성진단단계;
    상기 수명예측시스템에 의하여 규명된 경향성에 따라 예측잔여수명이 산출되는 잔여수명예측단계;
    를 포함하는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  2. 제 1항에 있어서, 상기 데이터획득단계는,
    상기 기계설비의 부품 및 위치에 따라 독립적으로 설치된 복수 개의 센서로부터 측정되는 물리량을 포함하는 측정변수를 기반으로 하여 상기 상태감시데이터가 획득되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  3. 제 2항에 있어서, 상기 데이터획득단계는,
    상기 측정변수가 그대로 상기 상태감시데이터로서 사용되거나,
    복수 개의 상기 측정변수의 정규화된 값에 각각 별도의 가중치를 곱하여 더한 값이 상기 상태감시데이터로서 사용되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  4. 제 3항에 있어서, 상기 데이터획득단계는,
    상기 가중치 값이 부품별로 각각 독립적으로 결정되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  5. 제 1항에 있어서, 상기 일정경향성적용단계는,
    상기 상태감시데이터에 내포된 시간경과에 따른 데이터값의 상승 및 하강의 불규칙성을 일정경향성(isotonic regression) 적용을 통해 완화시킴으로써,
    상기 경향성적용데이터가 시간경과에 따라 상태가 일관되게 변화하는 경향성을 가지도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  6. 제 5항에 있어서, 상기 중요점추출단계는,
    상기 경향성적용데이터에 내포된 측정기간에 따른 데이터개수의 과도 또는 부족으로 나타나는 편향오차를 중요점(skeleton value) 추출을 통해 완화시킴으로써,
    상기 중요점추출데이터가 분석될 때 측정기간에 따른 오류편향 가능성이 저감되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  7. 제 6항에 있어서, 상기 경향성진단단계는,
    상기 상태감시데이터 또는 상기 중요점추출데이터를 이용하여, 기결정된 판단기준을 기반으로 상기 상태감시데이터가 일정한 상태인지 또는 변화하는 상태인지의 경향성이 규명되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  8. 제 7항에 있어서, 상기 경향성진단단계는,
    기결정된 일정기간에 대하여,
    상기 상태감시데이터의 최근기울기를 사용하여 진단하거나,
    상기 중요점추출데이터의 최근기울기를 사용하여 진단하거나,
    상기 중요점추출데이터의 일정기간 변화빈도를 사용하여 진단하는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  9. 제 7항에 있어서, 상기 잔여수명예측단계는,
    상기 상태감시데이터가 일정한 상태이면 경과운전시간을 이용하여 예측잔여수명이 산출되고,
    상기 상태감시데이터가 변화하는 상태이면 상기 상태감시데이터에 기반하여 예측잔여수명을 외삽(extrapolation)함으로써 예측잔여수명이 산출되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  10. 제 9항에 있어서, 상기 잔여수명예측단계는,
    외삽 시 누적손상 또는 설계정보를 이용한 하중기반외삽 또는 곡선맞춤 또는 통계적특성을 이용한 데이터기반외삽을 통해 예측잔여수명이 산출되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
  11. 제 10항에 있어서, 상기 잔여수명예측단계는,
    상기 측정변수가 그대로 상기 상태감시데이터로서 사용되는 경우 상기 기계설비의 부품별로 예측잔여수명이 산출되며,
    복수 개의 상기 측정변수의 정규화된 값에 각각 별도의 가중치를 곱하여 더한 값이 상기 상태감시데이터로서 사용되는 경우 상기 기계설비의 전체 예측잔여수명이 산출된 후, 상기 측정변수, 상기 가중치 및 상기 상태감시데이터 간의 관계를 통해 상기 전체 예측잔여수명으로부터 부품별 예측잔여수명이 산출되도록 형성되는 것을 특징으로 하는 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법.
KR1020220082978A 2022-07-06 2022-07-06 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법 KR20240006214A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220082978A KR20240006214A (ko) 2022-07-06 2022-07-06 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220082978A KR20240006214A (ko) 2022-07-06 2022-07-06 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법

Publications (1)

Publication Number Publication Date
KR20240006214A true KR20240006214A (ko) 2024-01-15

Family

ID=89543066

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220082978A KR20240006214A (ko) 2022-07-06 2022-07-06 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법

Country Status (1)

Country Link
KR (1) KR20240006214A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102068643B1 (ko) 2019-05-29 2020-01-22 한국기계연구원 풍력발전기 예지방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102068643B1 (ko) 2019-05-29 2020-01-22 한국기계연구원 풍력발전기 예지방법

Similar Documents

Publication Publication Date Title
US10527520B2 (en) Operating wind motors and determining their remaining useful life
CN110442833B (zh) 一种基于多维度scada数据评估风电机组健康状态评估方法
Gebraeel et al. A neural network degradation model for computing and updating residual life distributions
US10725465B2 (en) State diagnostic device
EP2837984B1 (en) Process to optimize the maintenance of technical systems
JP2004211587A (ja) 発電プラントの運用支援システム
KR102408426B1 (ko) 설비 노화 지수를 이용한 이상 감지 방법 및 장치
US6904388B2 (en) Method for preventing or minimizing operational failures in a technical installation
KR20190077137A (ko) 인프라 설비 가동 데이터 자동분석방법 및 시스템
KR101858121B1 (ko) 발전소 상태 판단 장치 및 방법
KR20240006214A (ko) 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법
JP2018113027A (ja) プロセスの異常状態診断方法および異常状態診断装置
JP2022540407A (ja) 診断回路を有する真空システム及びそのような真空システムの健全性をモニタする方法及びコンピュータプログラム
CN115544803B (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
JP2012234226A (ja) プラント機器の運転可能期間評価方法および運転可能期間評価装置
JP7339861B2 (ja) 故障確率評価システム
JP7441811B2 (ja) 診断装置
KR20200051758A (ko) 데이터 처리 장치, 데이터 처리 시스템, 데이터 처리 방법, 데이터 처리 프로그램 및 기억 매체
EP4369127A1 (en) Method for predicting failures in industrial systems
Kumhar et al. Predictive Maintenance of Industrial Rotating Equipment Using Supervised Machine Learning
Neelamkavil Condition-based maintenance in facilities management
Cretu et al. Markov analysis of an induction motor
CN114008549A (zh) 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备
JP2024028148A (ja) 異常監視方法及び異常監視装置
CN118033344A (en) On-line monitoring method and system for insulation state of converter transformer valve side sleeve