KR20240043450A - 유청정기의 고장 진단 장치 및 방법 - Google Patents
유청정기의 고장 진단 장치 및 방법 Download PDFInfo
- Publication number
- KR20240043450A KR20240043450A KR1020220122563A KR20220122563A KR20240043450A KR 20240043450 A KR20240043450 A KR 20240043450A KR 1020220122563 A KR1020220122563 A KR 1020220122563A KR 20220122563 A KR20220122563 A KR 20220122563A KR 20240043450 A KR20240043450 A KR 20240043450A
- Authority
- KR
- South Korea
- Prior art keywords
- purifier
- whey
- wavelet
- failure
- mode
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000005862 Whey Substances 0.000 claims abstract description 120
- 102000007544 Whey Proteins Human genes 0.000 claims abstract description 120
- 108010046377 Whey Proteins Proteins 0.000 claims abstract description 120
- 238000013145 classification model Methods 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000007257 malfunction Effects 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 81
- 238000005259 measurement Methods 0.000 claims description 40
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 3
- 230000001133 acceleration Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 6
- 238000005461 lubrication Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000003878 thermal aging Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000314 lubricant Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/22—Safety or indicating devices for abnormal conditions
- F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M37/00—Apparatus or systems for feeding liquid fuel from storage containers to carburettors or fuel-injection apparatus; Arrangements for purifying liquid fuel specially adapted for, or arranged on, internal-combustion engines
- F02M37/22—Arrangements for purifying liquid fuel specially adapted for, or arranged on, internal-combustion engines, e.g. arrangements in the feeding system
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/22—Safety or indicating devices for abnormal conditions
- F02D2041/224—Diagnosis of the fuel system
Abstract
유청정기의 고장 진단 장치 및 방법이 개시된다. 개시되는 일 실시예에 따른 고장 진단 장치는, 유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 특징을 추출하는 특징 추출 모듈 및 추출한 특징을 기계 학습 기반의 분류 모델에 입력하여 진동 신호에 따른 유청정기의 모드를 분류하도록 분류 모델을 학습시키는 학습 모듈을 포함한다.
Description
본 발명의 실시예는 유청정기의 고장 진단 기술과 관련된다.
최근, IoT(Internet of Things), 빅 데이터, AI(Artificial Intelligence) 기술이 발전함에 따라, 조선 해운업에서 자율 운항 선박의 개발이 대두되고 있다. 여기서, 4단계 자율 운항 선박은 사람의 개입이 없거나 이를 최소화 하기 때문에, 이상 상황에 대해서 스스로 인지하고 조치할 수 있어야 한다.
선박에는 선박 내 원유를 정유와 찌꺼기로 분리한 후 정유를 선박 내 기관 시스템의 다른 설비로 송출하는 장비인 유청정기가 설치되어 있다. 유청정기는 선박 운행 시 중요한 장비로서 고장 시에 선박 전체에 치명적인 결과를 초래할 수 있다.
종래에는 유청정기의 고장 시 사후 정비를 진행하거나 시간 기반 정비를 진행하여 고장 발생 이전에 부품을 교체하는 등 시간적 자원적 낭비가 발생하였다. 따라서, 상태 기반 정비를 도입하여 고장을 사전에 예측함으로써 효율적인 유지관리 대책을 수립할 필요가 있다. 그러나, 고장에 대한 리스크가 크고 실제 설비 환경에서 고장 상태 데이터를 취득하기가 어렵다는 문제점이 있다.
본 발명의 실시예는 유청정기의 상태를 진단하여 고장 여부를 확인할 수 있는 고장 진단 장치 및 방법을 제공하기 위한 것이다.
개시되는 일 실시예에 따른 고장 진단 장치는, 유청정기의 고장 진단을 위한 고장 진단 장치로서, 유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 특징을 추출하는 특징 추출 모듈; 및 상기 추출한 특징을 기계 학습 기반의 분류 모델에 입력하여 상기 진동 신호에 따른 유청정기의 모드를 분류하도록 상기 분류 모델을 학습시키는 학습 모듈을 포함한다.
상기 고장 진단 장치는, 유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득하고, 상기 획득한 진동 신호에서 유청정기의 모터 및 보울의 정상 상태의 분당 회전수에 해당하는 부분을 추출하며, 상기 추출한 진동 신호 부분을 기 설정된 시간 단위로 분할하여 상기 특징 추출 모듈로 전달하는 데이터 전처리 모듈을 더 포함할 수 있다.
상기 특징 추출 모듈은, 상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에 웨이블릿 변환을 수행하여 웨이블릿 계수들을 획득하고, 상기 웨이블릿 계수들에 기초하여 상기 진동 신호의 특징인 웨이블릿 스펙트럼 관련 측정치를 산출할 수 있다.
상기 웨이블릿 스펙트럼 관련 측정치는, 웨이블릿 스펙트럼의 평균값, 웨이블릿 스펙트럼의 중앙값, 웨이블릿 스펙트럼의 분산값, 및 웨이블릿 스펙트럼의 사분위수 범위 중 하나 이상을 포함할 수 있다.
상기 학습 모듈은, 상기 각 주요 고장 모드 및 정상 모드의 진동 신호에서 추출한 웨이블릿 스펙트럼 관련 측정치의 세트를 상기 분류 모델로 입력하여 상기 분류 모델이 상기 유청정기의 모드를 분류하도록 학습할 수 있다.
상기 고장 진단 장치는, 고장 진단의 대상이 되는 유청정기로부터 진동 신호를 획득하고, 상기 진동 신호로부터 웨이블릿 스펙트럼 관련 측정치를 산출하며, 산출한 상기 웨이블릿 스펙트럼 관련 측정치를 기 학습된 분류 모델에 입력하여 상기 유청정기의 상태를 진단하는 고장 진단 모듈을 더 포함할 수 있다.
상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호는, 고장 진단의 대상이 되는 유청정기에 대응하는 모사 설비에 상기 각 주요 고장 모드 및 정상 모드를 재현하도록 하여 획득된 것일 수 있다.
개시되는 일 실시예에 따른 고장 진단 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되며 유청정기의 고장 진단을 위한 고장 진단 방법으로서, 유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 특징을 추출하는 단계; 및 상기 추출한 특징을 기계 학습 기반의 분류 모델에 입력하여 상기 진동 신호에 따른 유청정기의 모드를 분류하도록 상기 분류 모델을 학습시키는 단계를 포함한다.
상기 고장 진단 방법은, 상기 특징을 추출하는 단계 이전에, 유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득하는 단계; 상기 획득한 진동 신호에서 유청정기의 모터 및 보울의 정상 상태의 분당 회전수에 해당하는 부분을 추출하는 단계; 및 상기 추출한 진동 신호 부분을 기 설정된 시간 단위로 분할하는 단계를 더 포함할 수 있다.
상기 특징을 추출하는 단계는, 상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에 웨이블릿 변환을 수행하여 웨이블릿 계수들을 획득하는 단계; 및 상기 웨이블릿 계수들에 기초하여 상기 진동 신호의 특징인 웨이블릿 스펙트럼 관련 측정치를 산출하는 단계를 포함할 수 있다.
상기 웨이블릿 스펙트럼 관련 측정치는, 웨이블릿 스펙트럼의 평균값, 웨이블릿 스펙트럼의 중앙값, 웨이블릿 스펙트럼의 분산값, 및 웨이블릿 스펙트럼의 사분위수 범위 중 하나 이상을 포함할 수 있다.
상기 학습시키는 단계는, 상기 각 주요 고장 모드 및 정상 모드의 진동 신호에서 추출한 웨이블릿 스펙트럼 관련 측정치의 세트를 상기 분류 모델로 입력하여 상기 분류 모델이 상기 유청정기의 모드를 분류하도록 학습할 수 있다.
상기 고장 진단 방법은, 상기 학습시키는 단계 이후에, 고장 진단의 대상이 되는 유청정기로부터 진동 신호를 획득하는 단계; 상기 진동 신호로부터 웨이블릿 스펙트럼 관련 측정치를 산출하는 단계; 및 산출한 상기 웨이블릿 스펙트럼 관련 측정치를 기 학습된 분류 모델에 입력하여 상기 유청정기의 상태를 진단하는 단계를 더 포함할 수 있다.
상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호는, 고장 진단의 대상이 되는 유청정기에 대응하는 모사 설비에 상기 각 주요 고장 모드 및 정상 모드를 재현하도록 하여 획득된 것일 수 있다.
개시되는 실시예에 의하면, 유청정기의 주요 고장 모드를 선정하고, 각 주요 고장 모드를 재현하기 위한 시나리오를 설계하며, 모사 설비에 각 주요 고장 모드의 시나리오를 적용하여 그에 따른 진동 신호를 획득함으로써, 유청정기에서 발생하는 치명적일 수 있는 고장에 대한 정보를 용이하게 획득할 수 있게 된다.
그리고, 실제 선박에 적용된 유청정기에서 고장 데이터를 취득하는 경우 위험성이 높기 때문에, 유청정기를 본 따서 만든 모사 설비를 활용함으로써, 고장 진단 대상이 되는 유청정기의 고장 상태에 대한 정보를 안전하게 획득할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 유청정기의 고장 진단을 위한 데이터 취득 장치의 구성을 나타낸 블록도
도 2는 본 발명의 일 실시예에서 선박용 유청정기의 주요 고장 모드를 설명하기 위한 도면
도 3은 본 발명의 일 실시예에서 유청정기의 모사 설비를 나타낸 도면
도 4는 본 발명의 일 실시예에서 모터의 축 방향과 반경 방향 진동의 FFT(Fast Fourier Transform)를 나타낸 그래프
도 5는 본 발명의 일 실시예에서 보울의 축 방향과 반경 방향 진동의 FFT를 나타낸 그래프
도 6은 본 발명의 일 실시예에 따른 유청정기의 고장 진단을 위한 데이터 취득 방법을 설명하기 위한 흐름도
도 7은 본 발명의 일 실시예에 따른 유청정기의 고장 진단 장치의 구성을 나타낸 블록도
도 8은 본 발명의 일 실시예에서 진동 신호에 이산 웨이블릿 변환(DWT)을 수행하는 상태를 개략적으로 나타낸 도면
도 9는 본 발명의 일 실시예에서 진동 신호에 웨이블릿 패킷 변환(WPT)을 수행하는 상태를 개략적으로 나타낸 도면
도 10은 본 발명의 일 실시예에서 이산 웨이블릿 변환(DWT)의 웨이블릿 스펙트럼 관련 측정치를 나타낸 도면
도 11은 본 발명의 일 실시예에서 웨이블릿 패킷 변환(WPT)의 웨이블릿 스펙트럼 관련 측정치를 나타낸 도면
도 12는 본 발명의 일 실시예에 따른 유청정기의 고장 진단 방법을 설명하기 위한 흐름도
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에서 선박용 유청정기의 주요 고장 모드를 설명하기 위한 도면
도 3은 본 발명의 일 실시예에서 유청정기의 모사 설비를 나타낸 도면
도 4는 본 발명의 일 실시예에서 모터의 축 방향과 반경 방향 진동의 FFT(Fast Fourier Transform)를 나타낸 그래프
도 5는 본 발명의 일 실시예에서 보울의 축 방향과 반경 방향 진동의 FFT를 나타낸 그래프
도 6은 본 발명의 일 실시예에 따른 유청정기의 고장 진단을 위한 데이터 취득 방법을 설명하기 위한 흐름도
도 7은 본 발명의 일 실시예에 따른 유청정기의 고장 진단 장치의 구성을 나타낸 블록도
도 8은 본 발명의 일 실시예에서 진동 신호에 이산 웨이블릿 변환(DWT)을 수행하는 상태를 개략적으로 나타낸 도면
도 9는 본 발명의 일 실시예에서 진동 신호에 웨이블릿 패킷 변환(WPT)을 수행하는 상태를 개략적으로 나타낸 도면
도 10은 본 발명의 일 실시예에서 이산 웨이블릿 변환(DWT)의 웨이블릿 스펙트럼 관련 측정치를 나타낸 도면
도 11은 본 발명의 일 실시예에서 웨이블릿 패킷 변환(WPT)의 웨이블릿 스펙트럼 관련 측정치를 나타낸 도면
도 12는 본 발명의 일 실시예에 따른 유청정기의 고장 진단 방법을 설명하기 위한 흐름도
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 유청정기의 고장 진단을 위한 데이터 취득 장치의 구성을 나타낸 블록도이다.
도 1을 참조하면, 데이터 취득 장치(100)는 고장 분석 모듈(102), 고장 재현 모듈(104), 및 데이터 획득 모듈(106)을 포함할 수 있다. 예시적인 실시예에서, 데이터 취득 장치(100)는 유청정기(oil purifier)의 고장 진단을 위한 데이터를 취득하기 위한 장치일 수 있다.
여기서, 유청정기는 선박용 유청정기일 수 있다. 이때, 유청정기는 엔진 등의 기관 시스템 내 핵심 설비에 유입되는 연료유를 정제(cleaning)하여 정유로 변환시키는 역할을 할 수 있다. 이때, 해당 설비로 유입되는 정유 정도에 따라 해당 설비의 효율과 수명에 영향을 미치기 때문에 선박 내 유청정기의 역할은 중요하다. 이하에서는, 유청정기가 선박용 유청정기인 것을 일 예로 설명하나, 유청정기의 적용 범위가 이에 한정되는 것은 아니다.
고장 분석 모듈(102)은 유청정기에 대한 주요 고장 모드를 선정할 수 있다. 여기서, 고장 모드는 유청정기를 구성하는 어떤 부품에 어떤 고장이 발생하는지에 대한 것일 수 있다. 고장 분석 모듈(102)은 유청정기의 각 부품에 대해 고장 위험도(criticality)를 산출하고, 산출한 고장 위험도에 기반하여 주요 고장 모드를 선정할 수 있다.
고장 분석 모듈(102)은 유청정기를 구성하는 부품들에 대해 고장 발생 빈도(occurrence), 고장 심각도(severity), 및 고장 감지도(detection) 중 하나 이상에 기초하여 고장 위험도(criticality)를 산출할 수 있다.
구체적으로, 고장 분석 모듈(102)은 유청정기를 구성하는 부품들에 대해 고장이 발생하는 빈도(고장 발생 빈도)에 따라 제1 위험 점수를 부여할 수 있다. 고장 분석 모듈(102)은 고장 발생 빈도가 높을수록 제1 위험 점수를 높게 부여하고, 고장 발생 빈도가 낮을수록 제1 위험 점수를 낮게 부여할 수 있다.
고장 분석 모듈(102)은 유청정기를 구성하는 부품들에 대해 고장에 따른 영향이 얼마나 심각한지의 정도(고장 심각도)에 따라 제2 위험 점수를 부여할 수 있다. 고장 분석 모듈(102)은 고장 심각도가 높을수록 제2 위험 점수를 높게 부여하고, 고장 심각도가 낮을수록 제2 위험 점수를 낮게 부여할 수 있다.
고장 분석 모듈(102)은 유청정기를 구성하는 부품들에 대해 고장 발생 시 이를 감지할 수 있는 정도(고장 감지도)에 따라 제3 위험 점수를 부여할 수 있다. 고장 분석 모듈(102)은 고장 감지도가 낮을수록 제3 위험 점수를 높게 부여하고, 고장 감지도가 높을수록 제3 위험 점수를 낮게 부여할 수 있다.
고장 분석 모듈(102)은 제1 위험 점수, 제2 위험 점수, 및 제3 위험 점수에 기초하여 유청정기를 구성하는 각 부품의 고장 위험도를 산출할 수 있다. 예시적인 실시예에서, 고장 분석 모듈(102)은 제1 위험 점수, 제2 위험 점수, 및 제3 위험 점수를 합산하여 각 부품의 고장 위험도를 산출할 수 있다. 이때, 고장 분석 모듈(102)은 제1 위험 점수, 제2 위험 점수, 및 제3 위험 점수에 각각 제1 가중치 내지 제3 가중치를 부여한 후 이를 합산할 수도 있다.
고장 분석 모듈(102)은 유청정기를 구성하는 부품들의 고장 위험도에 기초하여 유청정기에 대한 주요 고장 모드를 선정할 수 있다. 예시적인 실시예에서, 고장 분석 모듈(102)은 유청정기를 구성하는 부품들의 고장 위험도가 기 설정된 임계 값을 초과하는 부품 또는 고장 위험도가 기 설정된 순위 이내에 해당하는 부품들의 고장을 주요 고장 모드로 선정할 수 있다.
표 1은 본 발명의 일 실시예에서 선박용 유청정기의 고장 모드를 나타낸 표이다. 여기서는, 선박용 유청정기의 주요 부품들에 대해 고장 발생 빈도(occurrence), 고장 심각도(severity), 및 고장 감지도(detection)에 따라 제1 위험 점수, 제2 위험 점수, 및 제3 위험 점수를 부여한 후 이를 합산하여 고장 위험도(criticality)를 산출하였으며, 5가지 고장 모드를 선정한 경우를 나타내었다.
| 부품 | 고장 모드 | Occurrence | Severity | Detection | Criticality | |
| 1 | Bearing | Boundary lubrication | 4 | 5 | 2 | 11 |
| 2 | Friction Coupling | Poor power transmission | 3 | 4 | 2 | 9 |
| 3 | Seal | Tension degradation | 3 | 5 | 2 | 10 |
| 4 | Belt | Fatigue | 5 | 5 | 2 | 12 |
| 5 | Shaft | Fatigue crack | 5 | 3 | 2 | 10 |
도 2는 본 발명의 일 실시예에서 선박용 유청정기의 주요 고장 모드를 설명하기 위한 도면이다. 선박용 유청정기(50)에서 제1 주요 고장 모드는 베어링(bearing)에서 발생하고, 제2 주요 고장 모드는 마찰 커플링(friction coupling)에서 발생하며, 제3 주요 고장 모드는 씰(seal)에서 발생하고, 제4 주요 고장 모드는 벨트(belt)에서 발생하며, 제5 주요 고장 모드는 샤프트(shaft)에서 발생하게 된다.
고장 재현 모듈(104)은 고장 분석 모듈(102)에서 선정한 주요 고장 모드를 재현하기 위한 시나리오를 설계할 수 있다. 고장 재현 모듈(104)은 각 주요 고장 모드가 재현될 수 있는 테스트 환경에 대한 시나리오를 각각 설계할 수 있다. 고장 재현 모듈(104)은 각 주요 고장 모드에서 해당 고장이 발생하게 되는 고장 메커니즘을 확인하고, 고장 메커니즘이 작동할 수 있는 테스트 환경에 대한 시나리오를 설계할 수 있다.
표 2는 본 발명의 일 실시예에서 선박용 유청정기의 주요 고장 모드를 재현하기 위한 시나리오를 나타낸 표이다.
| 부품 | 고장 모드 | 고장 메커니즘 | 테스트 환경 시나리오 | |
| 0 | - | Normal state | - | - |
| 1 | Bearing | Boundary lubrication | Poor lubrication | Reducing lubricant 100% compared to full capacity |
| 2 | Friction Coupling | Poor power transmission | Wear of friction elements | Reducing the element mass 100% compared to the original state |
| 3 | Seal | Tension degradation | Thermal aging | Thermal aging at 120℃ for 900 hours |
| 4 | Belt | Fatigue | Tension degradation | Shifting the motor towards the bowl by 13.62mm |
| 5 | Shaft | Fatigue crack | Misalignment | Tilting the motor shaft by 0.9° counterclockwise |
표 2를 참조하면, 제1 주요 고장 모드(즉, 베어링의 경계 윤활)의 고장 메커니즘은 윤활 불량(Poor lubrication)이고, 제1 주요 고장 모드를 재현할 수 있는 테스트 환경의 시나리오는 전체 용량 대비 윤활유 100 % 감소시키는 것일 수 있다. 제2 주요 고장 모드(마찰 커플링의 전력 전송 불량)의 고장 메커니즘은 마찰 요소의 마모(Wear of friction elements)이고, 제2 주요 고장 모드를 재현할 수 있는 테스트 환경의 시나리오는 마찰 요소의 질량을 원래 상태에 비해 100% 감소시키는 것일 수 있다.
제3 주요 고장 모드(씰의 텐션 저하)의 고장 메커니즘은 열적 노화(Thermal aging)이고, 제3 주요 고장 모드를 재현할 수 있는 테스트 환경의 시나리오는 900시간 동안 120℃에서 열적 노화를 시키는 것일 수 있다. 제4 주요 고장 모드(벨트의 피로)의 고장 메커니즘은 텐션 저하(Tension degradation)이고, 제4 주요 고장 모드를 재현할 수 있는 테스트 환경의 시나리오는 모터를 보울(bowl) 쪽으로 13.62mm 이동시키는 것일 수 있다. 제5 주요 고장 모드(샤프트의 피로 균열)의 고장 메커니즘은 비정렬(Misalignment)이고, 제5 주요 고장 모드를 재현할 수 있는 테스트 환경의 시나리오는 모터 샤프트를 시계 반대 방향으로 0.9° 기울이는 것일 수 있다.
고장 재현 모듈(104)은 각 주요 고장 모드의 시나리오를 기 제작된 모사 설비에 적용할 수 있다. 여기서, 모사 설비는 고장 진단의 대상이 되는 유청정기와 동일 또는 유사하게 제작된 설비일 수 있다. 즉, 모사 설비는 각 주요 고장 모드의 시나리오를 적용하여 각 주요 고장 모드를 재현하기 위한 테스트 장비로서 유청정기를 본 따서 만든 장비일 수 있다.
예를 들어, 고장 진단의 대상이 되는 유청정기가 선박용인 경우, 모사 설비는 선박에 사용되는 유청정기를 본 따서 만들되 선박에 설치된 상태가 아닌 육상에서 실험이 가능하도록 마련된 장치일 수 있다. 모사 설비에는 각 주요 고장 모드의 시나리오를 적용하였을 때(즉, 주요 고장 모드가 발생하였을 때), 모사 설비의 진동 상태를 측정하도록 하나 이상의 가속도 센서가 부착될 수 있다.
여기서, 각 주요 고장 모드의 시나리오를 기 제작된 모사 설비에 적용할 때, 가속 수명 시험에 의해 인위적으로 모사 설비가 고장이 발생하도록 유도할 수 있다. 예를 들면, 제3 주요 고장 모드에서 씰(seal)의 온도에 의한 열화 고장을 인위적으로 가속하기 위해 온도 스트레스 가속 모델(예를 들어, 아레니우스 모델)을 사용할 수 있다.
도 3은 본 발명의 일 실시예에서 유청정기의 모사 설비를 나타낸 도면이다. 도 3에서는 유청정기의 모사 설비 중 모터(motor) 부분에 제1 가속도 센서가 부착되고, 보울(bowl) 부분에 제2 가속도 센서가 부착된 상태를 나타내었다. 여기서, 모터(motor)가 회전하면 모터와 보울을 연결하는 벨트에 의해 보울(bowl)이 회전하여 원심력이 발생하게 된다. 그와 동시에 보울 내부의 유체의 밀도차에 의해 원유가 정유와 찌꺼기(슬러지)로 분리되게 된다. 이때, 모터는 약 3,600 rpm으로 회전하고, 보울은 약 9, 300 rpm으로 회전할 수 있다.
제1 가속도 센서는 모터의 하우징 표면에 부착되고, 제2 가속도 센서는 보울의 하우징 표면에 부착될 수 있다. 제1 가속도 센서 및 제2 가속도 센서는 각각 3축 방향(x축 방향, y축 방향, 및 z축 방향)의 가속도를 측정할 수 있는 3축 가속도 센서일 수 있다.
데이터 획득 모듈(106)은 모사 설비에 장착된 가속도 센서로부터 각 주요 고장 모드에 따른 진동 신호를 획득할 수 있다. 즉, 데이터 획득 모듈(106)은 고장 진단의 대상이 되는 유청정기의 모사 설비로부터 각 주요 고장 모드의 발생 시 모사 설비의 진동 상태에 대한 신호(진동 신호)를 획득하게 된다. 또한, 데이터 획득 모듈(106)은 정상 모드(정상 상태의 모드)에서 모사 설비의 진동 상태에 대한 신호를 획득할 수 있다.
구체적으로, 데이터 획득 모듈(106)은 모사 설비에 제1 주요 고장 모드의 시나리오 내지 제5 주요 고장 모드의 시나리오를 각각 적용하여 가속도 센서(예를 들어, 제1 가속도 센서 및 제2 가속도 센서)로부터 제1 주요 고장 모드 내지 제5 주요 고장 모드에 따른 진동 신호를 각각 획득할 수 있다. 또한, 데이터 획득 모듈(106)은 주요 고장 모드의 시나리오의 적용 없이 모사 설비를 정상적으로 동작시켜 정상 모드에 따른 진동 신호를 획득할 수 있다.
도 4는 본 발명의 일 실시예에서 모터의 축 방향과 반경 방향 진동의 FFT(Fast Fourier Transform)를 나타낸 그래프이고, 도 5는 본 발명의 일 실시예에서 보울의 축 방향과 반경 방향 진동의 FFT를 나타낸 그래프이다. 여기서, Mode 0는 정상 모드를 의미하고, Mode1 내지 Mode5는 제1 주요 고장 모드 내지 제5 주요 고장 모드를 각각 나타낸다.
예시적인 실시예에서, 데이터 획득 모듈(106)은 정상 모드 및 각 주요 고장 모드에 따른 진동 신호 획득 시, 1회에 약 30분 정도 측정하여 획득할 수 있으나, 이에 한정되는 것은 아니며 필요에 따라 측정 시간은 조절될 수 있다.
개시되는 실시예에 의하면, 유청정기의 주요 고장 모드를 선정하고, 각 주요 고장 모드를 재현하기 위한 시나리오를 설계하며, 모사 설비에 각 주요 고장 모드의 시나리오를 적용하여 그에 따른 진동 신호를 획득함으로써, 유청정기에서 발생하는 치명적일 수 있는 고장에 대한 정보를 용이하게 획득할 수 있게 된다.
그리고, 실제 선박에 적용된 유청정기에서 고장 데이터를 취득하는 경우 위험성이 높기 때문에, 유청정기를 본 따서 만든 모사 설비를 활용함으로써, 고장 진단 대상이 되는 유청정기의 고장 상태에 대한 정보를 안전하게 획득할 수 있게 된다.
도 6은 본 발명의 일 실시예에 따른 유청정기의 고장 진단을 위한 데이터 취득 방법을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 6을 참조하면, 데이터 취득 장치(100)는 고장 진단의 대상이 되는 유청정기에 대한 주요 고장 모드를 선정할 수 있다(S 101).
데이터 취득 장치(100)는 유청정기의 각 부품에 대해 고장 위험도(criticality)를 산출하고, 산출한 고장 위험도에 기반하여 주요 고장 모드를 선정할 수 있다. 이때, 데이터 취득 장치(100)는 유청정기를 구성하는 부품들에 대해 고장 발생 빈도(occurrence), 고장 심각도(severity), 및 고장 감지도(detection) 중 하나 이상에 기초하여 고장 위험도(criticality)를 산출할 수 있다.
다음으로, 데이터 취득 장치(100)는 각 주요 고장 모드를 재현하기 위한 시나리오를 설계할 수 있다(S 103). 데이터 취득 장치(100)는 각 주요 고장 모드에서 해당 고장이 발생하게 되는 고장 메커니즘을 확인하고, 고장 메커니즘이 작동할 수 있는 테스트 환경에 대한 시나리오를 설계할 수 있다.
다음으로, 데이터 취득 장치(100)는 고장 진단의 대상이 되는 유청정기의 모사 설비에 각 주요 고장 모드를 적용하여 각 주요 고장 모드에 따른 진동 신호를 획득할 수 있다(S 105).
여기서, 모사 설비에는 하나 이상의 가속도 센서가 장착되며, 데이터 취득 장치(100)는 가속도 센서로부터 각 주요 고장 모드에 따른 진동 신호를 획득할 수 있다. 이때, 데이터 취득 장치(100)는 모사 설비를 정상적으로 동작시켜 정상 모드에 따른 진동 신호를 획득할 수도 있다.
도 7은 본 발명의 일 실시예에 따른 유청정기의 고장 진단 장치의 구성을 나타낸 블록도이다.
도 7을 참조하면, 고장 진단 장치(200)는 데이터 전처리 모듈(202), 특징 추출 모듈(204), 학습 모듈(206), 및 고장 진단 모듈(208)을 포함할 수 있다.
일 실시예에서, 데이터 전처리 모듈(202), 특징 추출 모듈(204), 학습 모듈(206), 및 고장 진단 모듈(208)은 물리적으로 구분된 하나 이상의 장치를 이용하여 구현되거나, 하나 이상의 프로세서 또는 하나 이상의 프로세서 및 소프트웨어의 결합에 의해 구현될 수 있으며, 도시된 예와 달리 구체적 동작에 있어 명확히 구분되지 않을 수 있다.
데이터 전처리 모듈(202)은 유청정기의 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득하여 전처리를 수행할 수 있다. 예시적인 실시예에서, 데이터 전처리 모듈(202)은 데이터 취득 장치(100)로부터 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득할 수 있으나, 이에 한정되는 것은 아니다. 이때, 각 주요 고장 모드 및 정상 모드에 따른 진동 신호는 제1 가속도 센서에 의한 모터 측의 3축 데이터 및 제2 가속도 센서에 의한 보울 측의 3축 데이터를 포함하여 총 6축 데이터를 포함할 수 있다.
데이터 전처리 모듈(202)은 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 모터 및 보울의 정상 상태의 분당 회전수(rpm)에 해당하는 부분(즉, 유효 데이터 부분)을 추출할 수 있다. 즉, 데이터 취득 장치(100)에서 각 주요 고장 모드를 재현할 때 1회에 약 30분 정도 측정하게 된다. 이때, 모터 및 보울의 정상 상태 rpm은 각각 3,600 rpm 및 9, 300 rpm이며, 이러한 정상 상태 rpm에 도달하기까지는 약 10분 정도의 시간이 소요된다. 이에 데이터 전처리 모듈(202)은 1회 측정한 각 주요 고장 모드 및 정상 모드의 진동 신호에서 모터 및 보울의 정상 상태 rpm에 해당하는 부분인 10분부터 30분에 해당하는 데이터(즉, 20분 분량의 데이터)를 추출할 수 있다.
데이터 전처리 모듈(202)은 상기 유효 데이터 부분을 추출한 각 주요 고장 모드 및 정상 모드의 진동 신호를 기 설정된 시간 단위로 분할 할 수 있다. 예를 들어, 데이터 전처리 모듈(202)은 각 주요 고장 모드 및 정상 모드의 진동 신호를 1초 단위의 데이터로 분할 할 수 있으나, 이에 한정되는 것은 아니다. 이 경우, 1초 단위로 각 주요 고장 모드 및 정상 모드에 따른 진동 신호의 변화를 확인할 수 있게 된다.
한편, 여기서는 데이터 전처리 모듈(202)이 고장 진단 장치(200)의 구성인 것으로 설명하였으나, 이에 한정되는 것은 아니며 데이터 전처리 모듈(202)은 데이터 취득 장치(100)의 구성인 것으로 구현할 수도 있다.
특징 추출 모듈(204)은 기 설정된 시간 단위의 각 주요 고장 모드 및 정상 모드의 진동 신호에서 특징을 추출할 수 있다.
구체적으로, 특징 추출 모듈(204)은 기 설정된 시간 단위의 각 주요 고장 모드 및 정상 모드의 진동 신호에 웨이블릿 변환(Wavelet Transform: WT)을 수행할 수 있다. 웨이블릿 변환은 연속 웨이블릿 변환(Continuous Wavelet Transform: CWT), 이산 웨이블릿 변환(Discrete Wavelet Transform: DWT), 및 웨이블릿 패킷 변환(Wavelet Packet Transform: WPT)으로 분류될 수 있다. 여기서, 특징 추출 모듈(204)은 이산 웨이블릿 변환(DWT) 및 웨이블릿 패킷 변환(WPT)을 이용하여 각 주요 고장 모드 및 정상 모드의 진동 신호를 분해할 수 있다.
특징 추출 모듈(204)은 각 주요 고장 모드 및 정상 모드의 진동 신호에 이산 웨이블릿 변환(Discrete Wavelet Transform: DWT)을 수행할 수 있다.
도 8은 본 발명의 일 실시예에서 진동 신호에 이산 웨이블릿 변환(DWT)을 수행하는 상태를 개략적으로 나타낸 도면이다. 도 8을 참조하면, 이산 웨이블릿 변환은 원본 신호(즉, 각 주요 고장 모드 및 정상 모드의 진동 신호)를 고역 통과 필터(High Pass Filter)와 저역 통과 필터(Low Pass Filter)를 통해 분해한 후 다운 샘플링을 수행하게 된다. 이때, 고역 통과 필터를 통과한 진동 신호에서 상세 계수(Detail Coefficient)를 얻게 되고, 저역 통과 필터를 통과한 진동 신호에서 근사 계수(Approximation Coefficient)를 얻게 된다. 여기서, 근사 계수에 대해 이산 웨이블릿 변환을 반복적으로 수행하게 된다.
또한, 특징 추출 모듈(204)은 각 주요 고장 모드 및 정상 모드의 진동 신호에 웨이블릿 패킷 변환(Wavelet Packet Transform: WPT)을 수행할 수 있다. 웨이블릿 패킷 변환은 이산 웨이블릿 변환과 유사하게 원본 신호를 저주파 성분과 고주파 성분으로 분해하지만, 저역 통과 필터를 통과하여 얻은 근사 계수뿐만 아니라, 고역 통과 필터를 통과하여 얻은 상세 계수까지 반복적으로 분해하는 기술이다.
도 9는 본 발명의 일 실시예에서 진동 신호에 웨이블릿 패킷 변환(WPT)을 수행하는 상태를 개략적으로 나타낸 도면이다. 여기서는, 웨이블릿 패킷 변환의 최대 분해 수준 j=3인 경우를 나타내었다. 원본 신호(즉, 각 주요 고장 모드 및 정상 모드의 진동 신호)는 첫 번째 분해 j=1에서 저역 통과 필터(LPF)와 고역 통과 필터(HPF)를 통과한 후, 다운 샘플링 되어 근사 계수(A1)과 상세 계수(D1)로 변환된다.
그리고, 두 번째 분해 j=2에서 근사 계수(A1)는 저역 통과 필터(LPF)와 고역 통과 필터(HPF)를 통과한 후 다운 샘플링 되어 근사 계수(AA2)와 상세 계수(DA2)로 변환되고, 상세 계수(D1)은 저역 통과 필터(LPF)와 고역 통과 필터(HPF)를 통과한 후 다운 샘플링 되어 근사 계수(AD2)와 상세 계수(DD2)로 변환된다. 마찬가지의 방식으로 세 번째 분해 j=3도 수행되며, 목표 분해 레벨 J까지 이러한 과정이 반복된다. 그렇게 되면, 원본 신호는 2J 개의 웨이블릿 계수(근사 계수 및 상세 계수)를 갖게 된다. 여기서, J는 웨이블릿 패킷 변환의 목표 분해 레벨을 의미할 수 있다.
이와 같이, 특징 추출 모듈(204)은 기 설정된 시간 단위의 각 주요 고장 모드 및 정상 모드의 진동 신호에 각각 이산 웨이블릿 변환(DWT) 및 웨이블릿 패킷 변환(WPT) 중 하나 이상을 수행하여 진동 신호를 분해한 후 웨이블릿 스펙트럼을 사용하여 분해된 진동 신호에서 특징을 추출할 수 있다. 웨이블릿 스펙트럼은 Hurst parameter의 계산을 위해 설계된 에너지 표현 형식의 일종이다.
특징 추출 모듈(204)은 각 주요 고장 모드 및 정상 모드의 진동 신호에 이산 웨이블릿 변환(DWT) 및 웨이블릿 패킷 변환(WPT)을 수행하여 얻게 되는 웨이블릿 계수(dj,k)(여기서, j는 웨이블릿 분해 레벨을 의미하고, k는 k번째 웨이블릿 계수를 의미함)의 샘플 에너지를 이용하여 웨이블릿 스펙트럼(Wavelet Spectrum: WS)을 산출할 수 있다.
특징 추출 모듈(204)은 획득된 웨이블릿 계수에 기반하여 웨이블릿 스펙트럼 관련 측정치를 산출할 수 있다. 웨이블릿 스펙트럼 관련 측정치는 웨이블릿 스펙트럼의 평균값(Mean), 중앙값(Median), 분산값(Variance), 및 사분위수 범위(Interquartile range)가 포함될 수 있다. 여기서, 사분위수 범위는 웨이블릿 스펙트럼의 전체 값을 오름차순으로 정렬했을 때 전체 값의 범위를 4등분하는 지점을 의미하는 것으로, 제3 사분위수(전체 값 중 하위 75%에 해당하는 지점)와 제1 사분위수(전체 값 중 하위 25%에 해당하는 지점)를 이용하여 사분위수 범위를 계산하게 된다. 이때, 산출된 웨이블릿 스펙트럼 관련 측정치가 각 주요 고장 모드 및 정상 모드에 따른 진동 신호의 특징이 될 수 있다.
특징 추출 모듈(204)은 수학식 1을 통해 웨이블릿 스펙트럼의 평균값(Mean)을 산출할 수 있다.
(수학식 1)
j : 웨이블릿 변환의 분해 레벨
nj : 분해 레벨 j에서 웨이블릿 계수의 개수
dj,k : 분해 레벨 j에서 k번째 웨이블릿 계수
특징 추출 모듈(204)은 수학식 2를 통해 웨이블릿 스펙트럼의 중앙값(Median)을 산출할 수 있다.
(수학식 2)
특징 추출 모듈(204)은 수학식 3을 통해 웨이블릿 스펙트럼의 분산값(Variance)을 산출할 수 있다.
(수학식 3)
특징 추출 모듈(204)은 수학식 4를 통해 웨이블릿 스펙트럼의 사분위수 범위(Interquartile range)를 산출할 수 있다.
(수학식 4)
Q3 : 웨이블릿 스펙트럼의 제3 사분위수
Q1 : 웨이블릿 스펙트럼의 제1 사분위수
도 10은 본 발명의 일 실시예에서 이산 웨이블릿 변환(DWT)의 웨이블릿 스펙트럼 관련 측정치를 나타낸 도면이다. 여기서는, 분해 레벨을 8(j=8)로 하였고, 모터의 반경 방향에서 주요 진동 모드 및 정상 모드에 따른 진동 신호를 대상으로 하였다.
도 11은 본 발명의 일 실시예에서 웨이블릿 패킷 변환(WPT)의 웨이블릿 스펙트럼 관련 측정치를 나타낸 도면이다. 여기서는, 분해 레벨을 8(j=8)로 하였고, 모터의 반경 방향에서 주요 진동 모드 및 정상 모드에 따른 진동 신호를 대상으로 하였다.
도 10 및 도 11에서, Mode 0는 정상 모드를 의미하고, Mode1 내지 Mode5는 제1 주요 고장 모드 내지 제5 주요 고장 모드를 각각 나타낸다. 도 10 및 도 11에서, (a)는 웨이블릿 스펙트럼의 평균값(Mean)을 나타내고, (b)는 웨이블릿 스펙트럼의 중앙값(Median)을 나타내며, (c)는 웨이블릿 스펙트럼의 분산값(Variance)을 나타내고, (d)는 웨이블릿 스펙트럼의 사분위수 범위(Interquartile range)를 나타낸다.
학습 모듈(206)은 각 주요 고장 모드 및 정상 모드의 진동 신호에서 추출한 특징(즉, 웨이블릿 스펙트럼 관련 측정치)을 기반으로 분류 모델(206a)을 학습할 수 있다.
여기서, 분류 모델(206a)을 학습하기 위한 학습 데이터는 유청정기의 정상 상태(정상 모드) 및 고장 상태(주요 고장 모드)를 설명하는 진동 신호(예를 들어, 제1 가속도 센서의 3축 데이터 및 제2 가속도 센서의 3축 데이터) 각각의 웨이블릿 스펙트럼 관련 측정치(평균값, 중앙값, 분산값, 및 사분위수 범위)의 집합이 하나의 세트가 된다. 예를 들어, 정상 모드의 진동 신호에서 추출한 웨이블릿 스펙트럼의 평균값, 중앙값, 분산값, 및 사분위수 범위가 하나의 학습 데이터 세트가 되어 분류 모델(206a)로 입력되고 분류 모델(206a)을 학습하게 된다.
분류 모델(206a)은 웨이블릿 스펙트럼 관련 측정치의 세트가 입력되는 경우, 웨이블릿 스펙트럼 관련 측정치의 세트로부터 유청정기가 어떤 모드(즉, 정상 모드 및 제1 주요 고장 모드 내지 제5 주요 고장 모드 중 어떤 모드)인지 분류하도록 학습되는 모델일 수 있다.
예시적인 실시예에서, 학습 모듈(206)은 지도 학습을 통해 분류 모델(206a)을 학습시킬 수 있다. 즉, 학습 모듈(206)은 웨이블릿 스펙트럼 관련 측정치의 세트를 분류 모델(206a)로 입력하고, 분류 모델(206a)에서 분류한(예측한) 유청정기의 모드와 정답 값(실제 유청정기의 모드)을 비교하여 분류 모델(206a)을 학습시킬 수 있다. 예를 들어, 분류 모델(206a)은 다중 분류를 위한 서포트 벡터 머신(Support Vector Machine: SVM)이 사용될 수 있으나, 분류 모델의 종류가 이에 한정되는 것은 아니며 인공 신경망(Artificial Neural Network)이 사용될 수도 있다. 이때, 인공 신경망으로는 컨볼루션 신경망(Convolutional Neural Network: CNN)이 사용될 수 있다.
여기서, 분류 모델(206a)에서 예측한 분류 결과는 True Positive(TP), True Negative(TN), False Positive(FP), False Negative(FN)의 4가지 범주가 있을 수 있다. True Positive(TP)는 실제 값과 예측 값이 모두 참인 경우로서 참 값을 참으로 예측한 경우이다. True Negative(TN)는 실제 값과 예측 값이 모두 거짓인 경우로서 거짓 값을 거짓으로 예측한 경우이다. False Positive(FP)는 실제 값은 거짓이나 예측 값은 참인 경우로서 거짓 값을 참으로 예측한 경우이다. False Negative(FN)은 실제 값은 참이나 예측 값은 거짓인 경우로서 참값을 거짓으로 예측한 경우이다.
학습 모듈(206)은 분류 모델(206a)의 분류 결과에 기반하여 분류 모델(206a)의 진단 성능을 평가할 수 있다. 예시적인 실시예에서, 학습 모듈(206)은 분류 모델(206a)의 분류 결과(즉, True Positive(TP), True Negative(TN), False Positive(FP), False Negative(FN))에 기반하여 분류 모델(206a)의 정확도(예측 정확도)를 산출할 수 있다. 여기서, 정확도는 전체 분류 결과 중 정확하게 분류한 데이터의 비율을 나타낼 수 있다. 학습 모듈(206)은 수학식 5를 통해 분류 모델(206a)의 정확도(Accuracy)를 산출할 수 있다.
(수학식 5)
학습 모듈(206)은 분류 모델(206a)의 분류 결과에 기반하여 분류 모델(206a)의 정밀도를 산출할 수 있다. 여기서, 정밀도는 분류 결과의 긍정적인 예측 중 정답의 비율을 나타낼 수 있다. 학습 모듈(206)은 수학식 6을 통해 분류 모델(206a)의 정밀도(Precision)를 산출할 수 있다.
(수학식 6)
학습 모듈(206)은 분류 모델(206a)의 분류 결과에 기반하여 분류 모델(206a)의 재현율을 산출할 수 있다. 여기서, 재현율은 분류 결과의 실제 오류 중 정답으로 예측된 비율을 나타낼 수 있다. 학습 모듈(206)은 수학식 7을 통해 분류 모델(206a)의 재현율(Recall)을 산출할 수 있다.
(수학식 7)
학습 모듈(206)은 분류 모델(206a)의 분류 결과에 기반하여 분류 모델(206a)의 F1 점수(F1 Score)를 산출할 수 있다. F1 점수는 정밀도와 재현율의 조화 평균을 사용한 점수로서, 학습 모듈(206)은 수학식 8을 통해 분류 모델(206a)의 F1 점수(F1 Score)를 산출할 수 있다.
(수학식 8)
여기서, 학습 모듈(206)은 분류 모델(206a)의 정확도 및 F1 점수 중 하나 이상에 기반하여 분류 모델(206a)의 진단 성능을 평가할 수 있다. 학습 모듈(206)은 분류 모델(206a)의 진단 성능이 가장 높게 나타나는 파라미터(매개변수)를 선택할 수 있다.
고장 진단 모듈(208)은 고장 진단의 대상이 되는 유청정기(예를 들어, 실제 선박에 설치된 유청정기)로부터 진동 신호를 획득할 수 있다. 이때, 유청정기에는 진동을 측정하기 위한 하나 이상의 가속도 센서가 부착될 수 있다. 고장 진단 모듈(208)은 유청정기의 진동 신호에 이산 웨이블릿 변환(DWT) 및 웨이블릿 패킷 변환(WPT) 중 하나 이상을 수행하여 웨이블릿 계수들을 획득할 수 있다. 고장 진단 모듈(208)은 웨이블릿 계수들에 기반하여 진동 신호의 특징인 웨이블릿 스펙트럼 관련 측정치(즉, 웨이블릿 스펙트럼의 평균값(Mean), 중앙값(Median), 분산값(Variance), 및 사분위수 범위(Interquartile range))를 산출할 수 있다.
고장 진단 모듈(208)은 웨이블릿 스펙트럼 관련 측정치의 세트를 기 학습된 분류 모델(206a)에 입력하여 유청정기의 모드를 분류하고, 분류된 모드에 따라 유청정기의 상태를 진단할 수 있다. 예를 들어, 분류 모델(206a)이 분류한 모드가 정상 모드인 경우, 고장 진단 모듈(208)은 유청정기가 정상 상태인 것으로 진단할 수 있다. 분류 모델(206a)이 분류한 모드가 제1 주요 고장 모드인 경우, 고장 진단 모듈(208)은 유청정기의 베어링이 윤활 불량 상태인 것으로 진단할 수 있다.
이와 같이, 분류 모델(206a)이 분류한 모드에 따라 유청정기가 정상 상태인지 고장 상태인지를 알 수 있고, 고장 상태인 경우 어느 부분에 어떤 원인으로 고장이 발생한 것인지 여부를 쉽게 확인할 수 있게 된다. 개시되는 실시예에 의하면, 유청정기의 고장 여부를 유청정기의 상태에 기반하여 조기에 진단하고 대책을 수립할 수 있게 된다.
본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.
한편, 데이터 취득 장치(100)와 고장 진단 장치(200)는 각각 독립적인 장치로 구현될 수 있으나, 이에 한정되는 것은 아니며 데이터 취득 장치(100)와 고장 진단 장치(200)가 일체로 구현(하나의 장치로 구현)될 수도 있다.
도 12는 본 발명의 일 실시예에 따른 유청정기의 고장 진단 방법을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 12를 참조하면, 고장 진단 장치(200)는 유청정기의 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득하여 전처리를 수행할 수 있다(S 201). 예시적인 실시예에서, 고장 진단 장치(200)는 획득한 진동 신호에서 유효 데이터 부분을 추출한 후, 기 설정된 시간 단위로 분할하여 전처리를 수행할 수 있다.
다음으로, 고장 진단 장치(200)는 유청정기의 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에 웨이블릿 변환을 수행하여 웨이블릿 계수를 획득할 수 있다(S 203). 고장 진단 장치(200)는 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에 이산 웨이블릿 변환(DWT) 및 웨이블릿 패킷 변환(WPT) 중 하나 이상을 수행하여 웨이블릿 계수를 획득할 수 있다.
다음으로, 고장 진단 장치(200)는 웨이블릿 계수들에 기반하여 웨이블릿 스펙트럼 관련 측정치를 산출할 수 있다(S 205). 웨이블릿 스펙트럼 관련 측정치는 웨이블릿 스펙트럼의 평균값(Mean), 중앙값(Median), 분산값(Variance), 및 사분위수 범위(Interquartile range)가 포함될 수 있다.
다음으로, 고장 진단 장치(200)는 각 주요 고장 모드 및 정상 모드에 따른 진동 신호의 특징인 웨이블릿 스펙트럼 관련 측정치의 세트를 학습 데이터로 하여 분류 모델(206a)을 학습시킬 수 있다(S 207). 여기서, 분류 모델(206a)은 웨이블릿 스펙트럼 관련 측정치의 세트가 입력되는 경우, 웨이블릿 스펙트럼 관련 측정치의 세트로부터 유청정기가 어떤 모드인지 분류하도록 학습되는 모델일 수 있다.
다음으로, 분류 모델(206a)의 학습이 완료된 경우, 고장 진단 장치(200)는 고장 진단의 대상이 되는 유청정기로부터 진동 신호를 획득할 수 있다(S 209). 즉, 실제 현장에 설치되어 동작되고 있는 유청정기에 부착된 하나 이상의 가속도 센서로부터 진동 신호를 획득할 수 있다.
다음으로, 고장 진단 장치(200)는 획득한 진동 신호로부터 웨이블릿 스펙트럼 관련 측정치를 산출할 수 있다(S 211).
다음으로, 고장 진단 장치(200)는 웨이블릿 스펙트럼 관련 측정치의 세트를 기 학습된 분류 모델(206a)에 입력하여 유청정기의 모드를 분류하고, 분류된 모드에 기반하여 유청정기의 상태를 진단할 수 있다(S 213).
여기서, S 201에서 S 207까지는 분류 모델(206a)의 학습을 위한 단계이고, S 209부터 S 213까지는 학습된 분류 모델(206a)을 이용한 추론을 하는 단계일 수 있다.
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 데이터 취득 장치(100)일 수 있다. 또한, 컴퓨팅 장치(12)는 고장 진단 장치(200)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 데이터 취득 장치
102 : 고장 분석 모듈
104 : 고장 재현 모듈
106 : 데이터 획득 모듈
200 : 고장 진단 장치
202 : 데이터 전처리 모듈
204 : 특징 추출 모듈
206 : 학습 모듈
206a : 분류 모델
208 : 고장 진단 모듈
102 : 고장 분석 모듈
104 : 고장 재현 모듈
106 : 데이터 획득 모듈
200 : 고장 진단 장치
202 : 데이터 전처리 모듈
204 : 특징 추출 모듈
206 : 학습 모듈
206a : 분류 모델
208 : 고장 진단 모듈
Claims (16)
- 유청정기의 고장 진단을 위한 고장 진단 장치로서,
유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 특징을 추출하는 특징 추출 모듈; 및
상기 추출한 특징을 기계 학습 기반의 분류 모델에 입력하여 상기 진동 신호에 따른 유청정기의 모드를 분류하도록 상기 분류 모델을 학습시키는 학습 모듈을 포함하는, 고장 진단 장치.
- 청구항 1에 있어서,
상기 고장 진단 장치는,
유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득하고, 상기 획득한 진동 신호에서 유청정기의 모터 및 보울의 정상 상태의 분당 회전수에 해당하는 부분을 추출하며, 상기 추출한 진동 신호 부분을 기 설정된 시간 단위로 분할하여 상기 특징 추출 모듈로 전달하는 데이터 전처리 모듈을 더 포함하는, 고장 진단 장치.
- 청구항 1에 있어서,
상기 특징 추출 모듈은,
상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에 웨이블릿 변환을 수행하여 웨이블릿 계수들을 획득하고, 상기 웨이블릿 계수들에 기초하여 상기 진동 신호의 특징인 웨이블릿 스펙트럼 관련 측정치를 산출하는, 고장 진단 장치.
- 청구항 3에 있어서,
상기 웨이블릿 스펙트럼 관련 측정치는,
웨이블릿 스펙트럼의 평균값, 웨이블릿 스펙트럼의 중앙값, 웨이블릿 스펙트럼의 분산값, 및 웨이블릿 스펙트럼의 사분위수 범위 중 하나 이상을 포함하는, 고장 진단 장치.
- 청구항 4에 있어서,
상기 웨이블릿 스펙트럼의 평균값은 수학식 1에 의해 산출하고, 상기 웨이블릿 스펙트럼의 중앙값은 수학식 2에 의해 산출하며, 상기 웨이블릿 스펙트럼의 분산값은 수학식 3에 의해 산출하고, 상기 웨이블릿 스펙트럼의 사분위수 범위는 수학식 4에 의해 산출하는, 고장 진단 장치
(수학식 1)
j : 웨이블릿 변환의 분해 레벨
nj : 분해 레벨 j에서 웨이블릿 계수의 개수
dj,k : 분해 레벨 j에서 k번째 웨이블릿 계수
(수학식 2)
(수학식 3)
(수학식 4)
Q3 : 웨이블릿 스펙트럼의 제3 사분위수
Q1 : 웨이블릿 스펙트럼의 제1 사분위수
- 청구항 4에 있어서,
상기 학습 모듈은,
상기 각 주요 고장 모드 및 정상 모드의 진동 신호에서 추출한 웨이블릿 스펙트럼 관련 측정치의 세트를 상기 분류 모델로 입력하여 상기 분류 모델이 상기 유청정기의 모드를 분류하도록 학습하는, 고장 진단 장치.
- 청구항 6에 있어서,
상기 고장 진단 장치는,
고장 진단의 대상이 되는 유청정기로부터 진동 신호를 획득하고, 상기 진동 신호로부터 웨이블릿 스펙트럼 관련 측정치를 산출하며, 산출한 상기 웨이블릿 스펙트럼 관련 측정치를 기 학습된 분류 모델에 입력하여 상기 유청정기의 상태를 진단하는 고장 진단 모듈을 더 포함하는, 고장 진단 장치.
- 청구항 1에 있어서,
상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호는,
고장 진단의 대상이 되는 유청정기에 대응하는 모사 설비에 상기 각 주요 고장 모드 및 정상 모드를 재현하도록 하여 획득된 것인, 고장 진단 장치.
- 하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되며 유청정기의 고장 진단을 위한 고장 진단 방법으로서,
유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 특징을 추출하는 단계; 및
상기 추출한 특징을 기계 학습 기반의 분류 모델에 입력하여 상기 진동 신호에 따른 유청정기의 모드를 분류하도록 상기 분류 모델을 학습시키는 단계를 포함하는, 고장 진단 방법.
- 청구항 9에 있어서,
상기 고장 진단 방법은,
상기 특징을 추출하는 단계 이전에,
유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호를 획득하는 단계;
상기 획득한 진동 신호에서 유청정기의 모터 및 보울의 정상 상태의 분당 회전수에 해당하는 부분을 추출하는 단계; 및
상기 추출한 진동 신호 부분을 기 설정된 시간 단위로 분할하는 단계를 더 포함하는, 고장 진단 방법.
- 청구항 9에 있어서,
상기 특징을 추출하는 단계는,
상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에 웨이블릿 변환을 수행하여 웨이블릿 계수들을 획득하는 단계; 및
상기 웨이블릿 계수들에 기초하여 상기 진동 신호의 특징인 웨이블릿 스펙트럼 관련 측정치를 산출하는 단계를 포함하는, 고장 진단 방법.
- 청구항 11에 있어서,
상기 웨이블릿 스펙트럼 관련 측정치는,
웨이블릿 스펙트럼의 평균값, 웨이블릿 스펙트럼의 중앙값, 웨이블릿 스펙트럼의 분산값, 및 웨이블릿 스펙트럼의 사분위수 범위 중 하나 이상을 포함하는, 고장 진단 방법.
- 청구항 12에 있어서,
상기 학습시키는 단계는,
상기 각 주요 고장 모드 및 정상 모드의 진동 신호에서 추출한 웨이블릿 스펙트럼 관련 측정치의 세트를 상기 분류 모델로 입력하여 상기 분류 모델이 상기 유청정기의 모드를 분류하도록 학습하는, 고장 진단 방법.
- 청구항 13에 있어서,
상기 고장 진단 방법은,
상기 학습시키는 단계 이후에,
고장 진단의 대상이 되는 유청정기로부터 진동 신호를 획득하는 단계;
상기 진동 신호로부터 웨이블릿 스펙트럼 관련 측정치를 산출하는 단계; 및
산출한 상기 웨이블릿 스펙트럼 관련 측정치를 기 학습된 분류 모델에 입력하여 상기 유청정기의 상태를 진단하는 단계를 더 포함하는, 고장 진단 방법.
- 청구항 9에 있어서,
상기 각 주요 고장 모드 및 정상 모드에 따른 진동 신호는,
고장 진단의 대상이 되는 유청정기에 대응하는 모사 설비에 상기 각 주요 고장 모드 및 정상 모드를 재현하도록 하여 획득된 것인, 고장 진단 방법.
- 비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
유청정기에 설정된 각 주요 고장 모드 및 정상 모드에 따른 진동 신호에서 특징을 추출하는 단계; 및
상기 추출한 특징을 기계 학습 기반의 분류 모델에 입력하여 상기 진동 신호에 따른 유청정기의 모드를 분류하도록 상기 분류 모델을 학습시키는 단계를 수행하도록 하는, 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220122563A KR102654326B1 (ko) | 2022-09-27 | 2022-09-27 | 유청정기의 고장 진단 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220122563A KR102654326B1 (ko) | 2022-09-27 | 2022-09-27 | 유청정기의 고장 진단 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240043450A true KR20240043450A (ko) | 2024-04-03 |
| KR102654326B1 KR102654326B1 (ko) | 2024-04-04 |
Family
ID=90637659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220122563A KR102654326B1 (ko) | 2022-09-27 | 2022-09-27 | 유청정기의 고장 진단 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102654326B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120002168A (ko) | 2010-06-30 | 2012-01-05 | 대우조선해양 주식회사 | 선박의 청정기 상태 통보장치 |
| KR101358397B1 (ko) * | 2012-09-27 | 2014-02-05 | 주식회사 가온솔루션 | 가속도 센서 및 출력 전력에 기반하는 풍력 발전기의 고장진단장치 및 고장 진단 방법 |
| KR20180010367A (ko) * | 2016-07-20 | 2018-01-31 | 울산대학교 산학협력단 | 웨이브렛과 순환대수 엔빌로프 스펙트럼을 이용한 회전기기의 고장을 검출하는 방법 |
| KR102045823B1 (ko) * | 2018-10-18 | 2019-12-02 | 모루기술 주식회사 | 미분기 고장 진단 모니터링 방법 및 시스템 |
| KR102126493B1 (ko) * | 2019-11-22 | 2020-07-07 | 엠앤디테크놀로지 주식회사 | 모터 고장 원격 진단 시스템 |
| KR102206737B1 (ko) * | 2020-01-13 | 2021-01-25 | 한국과학기술원 | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 |
| KR20210031179A (ko) * | 2019-09-11 | 2021-03-19 | 주식회사 케이엘넷 | 빅 데이터를 활용한 기관 장비 고장 예측 시스템 |
| KR102389389B1 (ko) * | 2020-12-17 | 2022-04-21 | 한국기계연구원 | 선박 청정기 고장 진단 장치 및 방법 |
-
2022
- 2022-09-27 KR KR1020220122563A patent/KR102654326B1/ko active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120002168A (ko) | 2010-06-30 | 2012-01-05 | 대우조선해양 주식회사 | 선박의 청정기 상태 통보장치 |
| KR101358397B1 (ko) * | 2012-09-27 | 2014-02-05 | 주식회사 가온솔루션 | 가속도 센서 및 출력 전력에 기반하는 풍력 발전기의 고장진단장치 및 고장 진단 방법 |
| KR20180010367A (ko) * | 2016-07-20 | 2018-01-31 | 울산대학교 산학협력단 | 웨이브렛과 순환대수 엔빌로프 스펙트럼을 이용한 회전기기의 고장을 검출하는 방법 |
| KR102045823B1 (ko) * | 2018-10-18 | 2019-12-02 | 모루기술 주식회사 | 미분기 고장 진단 모니터링 방법 및 시스템 |
| KR20210031179A (ko) * | 2019-09-11 | 2021-03-19 | 주식회사 케이엘넷 | 빅 데이터를 활용한 기관 장비 고장 예측 시스템 |
| KR102126493B1 (ko) * | 2019-11-22 | 2020-07-07 | 엠앤디테크놀로지 주식회사 | 모터 고장 원격 진단 시스템 |
| KR102206737B1 (ko) * | 2020-01-13 | 2021-01-25 | 한국과학기술원 | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 |
| KR102389389B1 (ko) * | 2020-12-17 | 2022-04-21 | 한국기계연구원 | 선박 청정기 고장 진단 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102654326B1 (ko) | 2024-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3098681B1 (en) | Artificial intelligence based health management of host system | |
| Engel et al. | Prognostics, the real issues involved with predicting life remaining | |
| US6804600B1 (en) | Sensor error detection and compensation system and method | |
| Zhang et al. | A probabilistic fault detection approach: Application to bearing fault detection | |
| CN108267983B (zh) | 用于减少来自于交通工具的妨害性故障指示的机外装置和方法 | |
| WO2011049667A1 (en) | System and method for selecting a maintenance operation | |
| WO2008012486A1 (en) | Methods and apparatuses for monitoring a system | |
| KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
| Ahsan et al. | Reliability analysis of gas turbine engine by means of bathtub‐shaped failure rate distribution | |
| CN111581763B (zh) | 航空发动机气路故障诊断结果评价方法 | |
| US11760507B2 (en) | Onboard diagnosis and correlation of failure data to maintenance actions | |
| Mosallam | Remaining useful life estimation of critical components based on Bayesian Approaches. | |
| KR102654326B1 (ko) | 유청정기의 고장 진단 장치 및 방법 | |
| KR102656658B1 (ko) | 유청정기의 고장 진단을 위한 데이터 취득 방법 및 장치 | |
| Zhang et al. | A multi-fault modeling approach for fault diagnosis and failure prognosis of engineering systems | |
| CN115563868A (zh) | 一种航空交流发电机油路系统故障诊断方法及装置 | |
| Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
| CN112441254B (zh) | 发动机滑油系统的性能检测方法及装置、存储介质、终端 | |
| Patrick et al. | Diagnostic enhancements for air vehicle HUMS to increase prognostic system effectiveness | |
| Martinod et al. | Estimation of combustion engine technical state by multidimensional analysis using SVD method | |
| Baqqar et al. | A general regression neural network model for gearbox fault detection using motor operating parameters | |
| Luo et al. | Agent-based real-time fault diagnosis | |
| Oldfield et al. | The future of condition based monitoring: risks of operator removal on complex platforms | |
| Hansen et al. | Expert systems for machine fault diagnosis | |
| Miguez et al. | A Feasibility Study on the Implementation of Visibility Algorithms for Fault Diagnosis in Aircraft Fuel Systems |