WO2018207973A1 - 발전 설비의 자동 진단 시스템 및 자동 진단 방법 - Google Patents

발전 설비의 자동 진단 시스템 및 자동 진단 방법 Download PDF

Info

Publication number
WO2018207973A1
WO2018207973A1 PCT/KR2017/009221 KR2017009221W WO2018207973A1 WO 2018207973 A1 WO2018207973 A1 WO 2018207973A1 KR 2017009221 W KR2017009221 W KR 2017009221W WO 2018207973 A1 WO2018207973 A1 WO 2018207973A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
failure
characteristic
power generation
vibration data
Prior art date
Application number
PCT/KR2017/009221
Other languages
English (en)
French (fr)
Inventor
김연환
김동환
이두영
김범수
홍진표
정준하
전병철
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to US16/611,450 priority Critical patent/US20210140851A1/en
Publication of WO2018207973A1 publication Critical patent/WO2018207973A1/ko

Links

Images

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
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H13/00—Measuring resonant frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Definitions

  • the present invention relates to an automatic diagnostic system and an automatic diagnostic method of a power plant.
  • the present invention has been made in view of the above problems, and can automatically determine whether a failure type and failure type from the vibration signal of the rotating body of the power plant, and furthermore, the automatic diagnosis system and automatic diagnosis of the power plant that can predict abnormal conditions
  • the purpose is to provide a diagnostic method.
  • the data measuring unit for obtaining vibration data from the rotating body of the power generation facility;
  • a signal processor for signal processing the acquired vibration data to extract and quantify a predetermined characteristic factor in time domain, frequency domain and shape domain;
  • a characteristic pattern storage unit which stores patterns of characteristic factors classified by failure type;
  • a failure diagnosis unit for diagnosing a failure and a type of failure of the power generation equipment to be diagnosed based on the pattern of the classified characteristic factors.
  • the data measuring unit includes a gap sensor for measuring vibration displacement of the rotating body, and a taco sensor for measuring the number of rotations of the rotating body to provide a reference point of each rotation.
  • the signal processor may process the signal to resample the vibration data based on a predetermined angle with respect to the normal rotation.
  • the signal processor may perform signal processing to convert the resampled vibration data into coordinate axes by a predetermined angle unit so as to obtain vibration data in each direction based on the circumferential direction of the rotating body.
  • the characteristic factor in the time domain includes at least one of a maximum value, an effective value, an average value, a crest value, a shape factor, an impact coefficient, a skewness, and a kurtosis for the vibration data, and the characteristic factor in the shape domain.
  • the characteristic factor in the frequency domain is one of the frequency center (RFC), the root variance frequency (RVF), the RMS frequency (RMSF) and the relative frequency ratio of the vibration data. At least one.
  • Characteristic factors categorized by failure type use genetic algorithms for characteristic factors extracted from vibration data obtained in each type of failure type, and use either Coolback-Leibler Divergence or Probabilistic Discriminant Separability. Is the optimal characteristic factor classified by
  • the failure type includes at least one of a mass imbalance state, a rubbing state, a misalignment state, and an oil whirl state for the rotating body.
  • the remaining health state of the power generation facility to be diagnosed is determined by failure type.
  • the failure prediction unit may further include analyzing.
  • the automatic diagnosis system of the power plant may further include an output unit for outputting in the form of a multi-dimensional graph using a characteristic factor associated with the current state of the power plant to be diagnosed.
  • the automatic diagnosis method of the power plant the step of obtaining vibration data from the rotating body of the power plant; Signal processing the acquired vibration data to extract and quantify predetermined characteristic factors for a time domain, a frequency domain, and a shape domain; Classifying and storing the pattern of the characteristic factor according to the failure type; And diagnosing a failure state and a failure type of the power generation equipment to be diagnosed based on the pattern of the classified characteristic factors.
  • the present invention it is possible to automatically determine whether there is a failure and the type of failure from the vibration signal of the rotating body of the power generation facility, and further predict the abnormal state.
  • FIG. 1 is a block diagram showing an automatic diagnosis system of a power generation facility according to an embodiment of the present invention.
  • FIG. 3 is a view for explaining a predetermined angle reference resampling waveform data preprocessing process
  • Figure 3 (a) is a reference signal measured by the taco sensor
  • Figure 3 (b) is a vibration signal measured by the gap sensor
  • 3C illustrates a signal resampled by the signal processor.
  • Figure 4 (a) is a vibration signal measured by the first vibration sensor
  • Figure 4 (b) is a vibration signal measured by the second vibration sensor
  • Figure 4 (c) is a vibration signal obtained through the coordinate axis transformation to be.
  • 5 is a graph for explaining coordinate axis rotation transformation.
  • 6A and 6B are graphs showing coordinate axis rotation transformations in the x-axis and y-axis directions, respectively.
  • FIG. 7 is a diagram for explaining correlation between classes through probability distribution diagrams of vibration data in various situations.
  • FIG. 8 is a flowchart illustrating a process of selecting an optimal characteristic factor through a PDS separation technique.
  • FIG. 9 is a flowchart illustrating a process of selecting an optimal characteristic factor through a KLD separation technique.
  • FIG. 10 is an exemplary diagram for describing a process of applying a learning data scaling technique.
  • FIG. 11 is an exemplary diagram illustrating a process of generating new learning data using data obtained from a power generation facility.
  • Fig. 11 (a) shows the skewness distribution extracted from the vibration signal of the actual target equipment
  • Fig. 11 (b) the skewness distribution extracted from the similar equipment in steady state
  • Fig. 11 (c) the skewness distribution extracted from the similar equipment in scaled steady state. It is a graph.
  • FIG. 12 is an exemplary diagram for explaining a change result due to scaling.
  • FIG. 13 is an exemplary view showing a current state of a power generation facility in the form of a multidimensional graph using characteristic factors.
  • FIG. 14 is an exemplary view showing an automatic abnormal state diagnosis screen based on a rotating body vibration interface module.
  • 15 is a flowchart illustrating a method for automatically diagnosing a power plant according to an embodiment of the present invention.
  • 16 is a flowchart illustrating a vibration data-based machine learning flow and an automatic diagnosis process.
  • 17 is a flowchart illustrating a vibration data based automatic failure state prediction process.
  • FIG. 1 is a block diagram showing an automatic diagnosis system of a power generation facility according to an embodiment of the present invention.
  • the automatic diagnosis system includes a data measuring unit 10, a signal processing unit 20, a characteristic pattern storage unit 30, a failure diagnosis unit 40, and a failure prediction unit 60. , An output unit 70 and a controller 50 may be included.
  • the data measuring part 10 is a structure which acquires vibration data from the rotating body of a power generation equipment.
  • the data measuring unit 10 includes, for example, a gap sensor for measuring the vibration displacement of the rotating body, and a taco sensor for measuring the rotating speed of the rotating body as a key phaser to provide a reference point of each rotation. It may include.
  • a periodic machine such as a steam turbine of a power plant has a structure in which both shafts of the rotating body 13 are supported by a bearing 15. Accordingly, the vibration displacement of the rotating shaft in the bearing 15 is measured through the gap sensor 11 which is a non-contact vibration sensor, and the non-contact vibration sensor 11 measures each measurement position of the bearing. Can be mounted at 90 degree intervals.
  • the operating rotational speed of the rotational body of the domestic power plant cycler is 3,600 RPM
  • the sampling rate of the vibration data measurement is 3,200 samples / sec or more.
  • the signal processor 20 is configured to signal-process the acquired vibration data to extract and quantify predetermined characteristic factors in the time domain, frequency domain and shape domain.
  • the signal processor 20 may process a signal to resample the vibration data based on a predetermined angle with respect to the normal rotation.
  • the predetermined angle reference resampling process for the normal rotational speed of the rotating body uses the reference signal (that is, the key pager signal) as the reference for each rotation to separate data by the rotational unit and at the same time rotate the rotational angle based resampling.
  • It means data preprocessing process.
  • This data preprocessing process for example, resamples the vibration signal synchronized with the rotation signal by the signal processing unit to acquire 128 digital signals per revolution at a predetermined interval.
  • This data preprocessing process it is possible to extract the data based on the rotation angle of each vibration waveform to remove the uncertainty that may occur in the speed difference and to increase the characteristics of the abnormal state. As shown in FIG.
  • the reference signal vibrating once per revolution not only informs the speed of the rotating body but also serves as an absolute reference for the entire vibration signal as shown in FIG. 3 (b).
  • the rotational speed changes little by little with the system, which can lead to incorrect analysis if the acquired vibration data is used as it is. Accordingly, in order to minimize the influence of the rotational speed, signal processing of a predetermined angle reference resampling is performed under normal operating load conditions.
  • FIG. 3C when all the vibration data are resampled to have the same number of intervals per revolution based on the reference signal, the information obtained from the vibration waveform becomes the same even if the rotational speed is changed.
  • the data can be separated at the correct rotation speed, it is possible to extract the characteristic factor that can reinforce the physical meaning.
  • the resampling reduces data distribution, thereby increasing the sortability.
  • the signal processor may perform signal processing to convert the resampled vibration data into coordinate axes by a predetermined angle unit to obtain vibration data in each direction based on the circumferential direction of the rotating body.
  • the existing diagnostic methods utilize only the data measured by each sensor for diagnosis, the coordinate axis rotation transformation is an important factor for improving diagnostic accuracy and robustness in the present invention.
  • the maximum vibration always occurs at the measurement sensor position or the data at the measurement position may not exhibit all the abnormal state characteristics.
  • data in a direction in which no measurement is made may be regenerated by using data acquired by a sensor (that is, a gap sensor) having a radial angle of 90 degrees for each bearing position.
  • a sensor that is, a gap sensor
  • it can contribute to the standardization of diagnostic performance and improvement of accuracy. For example, as shown in Figure 4, through the vibration data in the x-axis direction (a), y-axis direction (b) and the coordinate axis rotation direction (c) to obtain vibration data of other characteristics that may occur in an abnormal state Can be.
  • journal bearings there is a directional abnormal state in which the abnormal state occurring in a specific circumferential direction does not affect the other direction.
  • This directional abnormal state is difficult to make an accurate diagnosis unless the direction of the abnormal state does not match the direction of the measured sensor.
  • the diagnostic methods thus far have not considered orientation at all.
  • the data measured from the two vibration sensors constituting 90 degrees is rotated about the circumferential direction and converted into vibration signals in all directions.
  • new coordinates can be defined by Equation 1, and a vibration signal for any direction can be obtained.
  • FIG. 6 shows the data obtained through the coordinate axis rotation transformation and the data specified in two sensors that are at 90 degrees to the specific abnormal state obtained in the journal bearing.
  • the data on the upper left of FIGS. 6A and 6B are raw data measured by the non-contact vibration sensors in the x and y-axis directions, respectively, and the rest are data obtained by applying a coordinate axis rotation transformation in a clockwise direction by 22.5 degrees. . It can be seen that the image is vertically symmetric with respect to 180 degrees, and when the y-axis data is rotated by 90 degrees through the data in the dotted line, it can be confirmed that the same as the x-axis data.
  • the present invention utilizes data to which the coordinate axis rotation transformation is applied by 11.25 degrees, and through this, it is possible to reflect the overall vibration characteristics for the abnormal state to be described later.
  • 16 rotational transformations are performed based on 11.25 degrees to obtain a vibration signal in the range of 180 degrees.
  • the remaining 180-degree ranges overlap because the original waveform is upside down. Therefore, the vibration signal in the range corresponding to 180 degrees is extracted at intervals of 11.25 degrees to obtain data.
  • the vibration signal based characteristic factor is extracted.
  • the feature factor is extracted and quantified from the regenerated data to enable automatic state diagnosis using the regenerated data of the vibration signal considering the directionality of the abnormal state through the process of processing the angular reference resampling waveform data for the normal rotational speed and transforming the coordinate axis.
  • the vibration signal is obtained as a waveform with respect to time, so in order to first quantify those having a physical meaning in the rotor in the time domain, the factors related to the energy of the rotor (maximum value, average value) (Mean), RMS (RMS), factors related to the shape of the vibration waveform (crest factor, shape factor, impulse factor), and factors related to data distribution (distortion) Skewness, Kurtosis, etc.
  • Mean maximum value, average value
  • RMS RMS
  • crest factor, shape factor, impulse factor factors related to the shape of the vibration waveform
  • distaltion data distribution
  • the present invention introduces a shape region that has not existed in the prior art. do.
  • the shape region quantifies the axial behavior of the 1X vibration of the rotating body vibration.
  • the characteristic factors of the shape domain as well as the time domain and the frequency domain are all quantified values of vibration data.
  • the time domain contains elements that can be characterized by each waveform, information from one rotation is useful.
  • the shape region the length of the long axis and the short axis is used as the trajectory shape of each bearing corresponding to 1X obtained from one rotation.
  • the frequency domain since it represents the physical quantity in the vibration data for a certain time, it is advantageous to extract the characteristic factors based on the maximum number of rotations.
  • the waveform of too many rotations is referenced, the amount of available data is reduced, so it is necessary to select an appropriate number of rotations.
  • 60 revolutions are used in consideration of the resolution of the frequency response function, and 1 revolution is used in the time domain and the shape domain.
  • the characteristic pattern storage unit 30 is a configuration in which a pattern of characteristic factors classified for each failure type is stored.
  • the characteristic factors classified by failure type may use a genetic algorithm for the characteristic factors extracted from the vibration data obtained in each failure type state, but use Kullback-Leibler Divergence (KLD) or stochastic separation. It is an optimal feature factor classified by Probabilistic Discriminant Separability (PDS).
  • the failure type includes at least one of a mass imbalance state, a rubbing state, a misalignment state, and an oil jar state for the rotating body.
  • the classification ability is excellent because it was selected as the one-turn reference characteristic factor in the time domain and the 60-turn reference characteristic factor in the frequency domain.
  • MI Mutual Information
  • KLD coolback-ribbler divergence method
  • D KL (P ⁇ Q) is relative entropy.
  • ⁇ represents the mean value and sigma represents the standard deviation.
  • a criterion representing the classification ability between the data groups applied for the second time was defined as Equation 4 as a new criterion called Probabilistic Discriminant Separability (PDS).
  • PDS Probabilistic Discriminant Separability
  • F c1 represents F c2 represents a cumulative distribution function of class 1 and a probability density function of class 2, respectively, And Are the medians of each class. 1 and 2 may be defined as a normalized classification value between 0 and 1, in which the equation of PDS, which is a probabilistic separation discrimination method between 0 and 0.5, of a non-separated region probability.
  • FIG. 7 the probability distribution of the two classes of data in various situations is shown.
  • two or more states (class 1 and class 2) are overlapped and difficult to classify.
  • Table 2 shows the quantification of the KLD method, FDR method and PDS method for (a) ⁇ (d) of FIG.
  • PDS is the application of the principle of finding reliability based on strength and load in the theory of reliability analysis.
  • the data classification capacity criterion is defined by quantifying the overlapping parts from the probability distributions of the two classes of data, specifying a case where the classification ability without overlapping parts is high as 1, and a case where there is no classification capability that overlaps completely.
  • the PDS technique is based on binary classification, but by averaging each case, it is possible to compare individual feature factors.
  • the characteristic factors for each abnormal state extracted from the vibration data (including coordinate axis rotation transformation data) obtained in each abnormal state are regarded as a class and the classifier is learned by the machine learning method. Learning of the classifier applied in the present invention selects the optimal feature through the selection process as shown in FIG.
  • the PDS which is a probabilistic separation discriminant of Equation 5
  • Equation 6 is applied to Equation 6 below to have a characteristic factor having a j th characteristic factor among m characteristic factors and a correlation coefficient ( ⁇ j, l ) among the l th characteristic factors.
  • the optimal characteristic factor may be selected using the same genetic algorithm as in FIG. 9.
  • Classifiers are trained using characteristic parameters obtained from angular reference resampling, coordinate axis rotations, and analysis in time and frequency domains from the learning vibration data of each abnormal state obtained through a power plant or a test bed of a power plant.
  • a genetic algorithm GA
  • the classifier is a FDR (Fisher Discriminant Ratio) which is a linear discriminant analysis method as shown in FIG.
  • FDR Fisher Discriminant Ratio
  • It is a classifier learning module that can apply the machine learning method of Support Vector Machine (SVM) suitable for both linear and nonlinear.
  • Support vector machines use kernel functions such as Liner, Polynomial, and RBF. In this case, the kernel function is a similarity function, which moves data to a higher dimension to enhance data classification accuracy.
  • the data learned for the similar facility stored in the characteristic pattern storage unit 30 is different in size and specifications from the actual target facility, so it is necessary to increase the diagnosis accuracy in the actual target facility.
  • a method of scaling existing learning data acquired through similar facilities based on the steady state data acquired from the actual target facility is applied to diagnose the target facility. Since most of the data obtained from the actual equipment is in a steady state, it is difficult to artificially generate other abnormal state data. Therefore, various state data obtained from similar facilities are utilized. If the data obtained from the similar equipment is learned and used in the target equipment, the diagnostic performance is not good. In this case, the scaling criteria are devised to compare and analyze the steady state data of actual equipment and similar equipment.
  • the distribution of steady state data obtained from a similar facility is scaled as shown in Equation 7 so as to be the same as the steady state data obtained from an actual target facility. Schematically, it is as shown in FIG.
  • Scaling criteria are determined from the steady-state data, and include a method of scaling all the learning data of an existing similar facility and using it as new learning data.
  • the data-based diagnostic algorithm basically uses the steady-state data acquired from the actual target equipment so that the accuracy of diagnosis can be secured even if the overall specifications such as the size of the actual target equipment are applied to various abnormal state data through different similar equipment.
  • it includes a method of scaling existing learning data acquired through a similar facility and using it for diagnosis of a target facility.
  • the failure diagnosis unit 40 is an automatic diagnosis module for diagnosing the failure of the power generation equipment to be diagnosed and the type of failure based on the pattern of the classified characteristic factors.
  • the automatic diagnosis module is a module for automatically diagnosing an abnormal state in which vibrations in the current operation have close characteristics by using the information of the classifier learned through the classifier learning module.
  • the automatic diagnosis process is based on statistical analysis of the position of the real-time vibration signal state by comparing the characteristic parameters calculated through the preprocessing process to the input parameters to the machine-learned classifier as compared to the reference parameters for each data classification technique.
  • AP Anomaly Probability
  • Dj, i is a value calculated by the FDA or VSM of the j-th class in the i-th coordinate axis rotation transformation (ODR: Omni Directional Regeneration).
  • the output unit 70 is configured to output in the form of a multi-dimensional graph using characteristic factors related to the current state of the power generation equipment to be diagnosed.
  • the raw data is transformed using a Principal Component Analysis (PCA) technique to visualize the abnormal state class separated by the failure type using the characteristic factor selected in the classifier learning module.
  • the transformation method extracts the PCA coefficients by applying the selected characteristic factors from the training data to the PCA technique as input variables, and calculates the transformed data through the matrix product of the coefficients and the learned classifier as a result.
  • FIG. 13 D1, D2, D3, and D4 represent values calculated by the SVM classifier using multidimensional characteristic factors HD1, HD2, and HD3.
  • FIG. 13 D1, D2, D3, and D4 represent values calculated by the SVM classifier using multidimensional characteristic factors HD1, HD2, and HD3.
  • the output unit 70 may determine and predict a failure or abnormality for each measurement part of the power generation facility using vibration data, and may grasp the current state of the power generation facility in the form of a graph.
  • the x-axis relates to the ratio of the long and short axis of the track shape
  • the y-axis relates to the waveform asymmetry (i.e., skewness)
  • the z-axis relates to the case where the vibration peak value max (abs) is applied. In this way, the relevant characteristic factors can be used to determine the current state of normal, unbalanced, rubbing, misaligned and oil wells.
  • the machine learning extracts a characteristic factor for each failure from an abnormal symptom and a failure vibration waveform in advance, selects an optimal characteristic factor based on mutual information amount, and stores a database (ie, characteristic pattern storage). To store). This process is repeated for classifier-based machine learning.
  • the automatic diagnosis process extracts the characteristics of the health factor (that is, the extraction of the characteristic factor) to diagnose the failure based on the optimal characteristic factor and evaluate the current state.
  • the failure prediction unit 60 analyzes the remaining health state of the power generation equipment to be diagnosed for each type of failure based on the failure index of the characteristic factor set for each failure type among the characteristic factors. to be.
  • the failure prediction unit 60 receives a failure index (AI: Anomaly Index) from the failure diagnosis unit 40 in real time, generates a model for estimating the possibility of failure for each type of rotating body failure, and then maintains health. State) provides information that quantifies the remaining health state.
  • Failure index (AI) can be defined by type as shown in Table 3.
  • the characteristic of the failure predicting unit 60 is that the basic model generated based on the historical data in the normal operation section of the power generation facility and the AI (Anomaly Index) data group (number can be set by the user) delivered in real time when the basic model is generated.
  • a variable model is generated by determining the degree of change of the existing distribution through Bayesian inference. If the user exceeds the left and right thresholds of the distribution, the corresponding failure type basic model generates additional variable models and continuously and automatically analyzes the model trends. For example, the failure prediction process is shown in FIG. 17. In this case, as shown in Equation 9, the average and standard deviation of the posterior distribution map are used.
  • M is the number of data
  • I is the mean of M
  • ⁇ is the standard deviation
  • a variable model occurs, which means that the AI data characteristics change based on the steady state as the equipment condition deteriorates.
  • the slope of the analysis point is mathematically changed as the constant value of the exponential function used in the basic model is changed. Can be sharp or gentle. This is the principle of predicting the equipment condition in advance through the change of the variable model by being able to visually observe the change of the residual health state (RHS).
  • the controller 50 controls the data measuring unit 10, the signal processing unit 20, the characteristic pattern storage unit 30, the failure diagnosis unit 40, the failure prediction unit 50, and the output unit 70. Configuration.
  • the buffered output stage of the existing state monitoring device by using the buffered output stage of the existing state monitoring device, it can be used as an automatic diagnosis device for abnormal status of power generation equipment, such as steam turbine, gas turbine, pump, etc.
  • Real-time status diagnosis can be supported at remote locations through communication methods, etc. It can be connected to the big data processing base to detect the abnormal condition of the facility in advance and apply it to the abnormal condition monitoring and fault diagnosis system.
  • the automatic diagnosis method of the power generation equipment which concerns on this invention acquires vibration data from the rotating body of a power generation equipment (S10). Subsequently, the acquired vibration data are signal processed to extract and quantify predetermined characteristic factors for the time domain, frequency domain and shape domain (S20). Subsequently, the pattern of the characteristic factor is classified and stored according to the failure type (S30). Subsequently, based on the pattern of the classified characteristic factors, whether or not the failure of the power plant to be diagnosed and the type of failure is diagnosed (S40).
  • the present invention in response to the vibration signal acquired during operation to the core power plant installation for thermal power generation, it is possible to generate a model that can calculate the health factor for each failure type in real time and track the possible failure time through the quantification process have.
  • a model that can calculate the health factor for each failure type in real time and track the possible failure time through the quantification process have.
  • abnormal status changes can be transmitted to the plant manager without distortion, thereby reducing accidents and improving safety of related facilities.
  • a keyer signal which has not been measured so far should be included, and the vibration signal should be obtained at a higher sampling rate.
  • This can be used as a guideline for database construction.
  • the same plant may exhibit different characteristics and the rotational speed will continue to change.
  • a sudden failure may result in unstable vibration signals, so it is important to obtain consistent vibration data in various environments.
  • the vibration data is resampled at every rotation as an absolute reference of the keyer signal regardless of the rotational speed, and the characteristic factors are extracted from the time domain, the frequency domain, and the shape domain. Because characteristic factors are extracted based on the number of revolutions, consistent analysis is possible even if there is a sudden change in the vibration signal.
  • PDS classification capability assessment
  • the present invention can be effectively applied to the automatic diagnosis of the failure of the core journal bearing rotational equipment, such as a variety of chemical plants, oil facilities and factories as well as power plants such as nuclear power, thermal power, hydropower, etc., a very wide range of applications.
  • the operation of a device capable of diagnosing a failure or an abnormal state by itself has been marketed as a rule engine or an early warning concept, but the present invention uses a predetermined angle reference resampling waveform data preprocessing process.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 발전 설비의 자동 진단 시스템 및 자동 진단 방법에 관한 것으로, 본 발명의 일 실시예에 따른 발전 설비의 자동 진단 시스템은, 발전 설비의 회전체로부터 진동 데이터를 취득하는 데이터 측정부; 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시키는 신호처리부; 고장 유형별로 분류된 특성 인자의 패턴이 저장된 특성 패턴 저장부; 및 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단하는 고장 진단부를 포함한다.

Description

발전 설비의 자동 진단 시스템 및 자동 진단 방법
본 발명은 발전 설비의 자동 진단 시스템 및 자동 진단 방법에 관한 것이다.
전력공급의 불안정은 사회적, 경제적으로 큰 손실을 초래하기 때문에 발전소의 신뢰성 운전이 중요하나, 발전설비는 시간에 따라 점차 노후화되고 고장 빈도가 높아지는 경향이 있다. 따라서 발전소의 운영 기간동안 안전하게 관리될 수 있도록 발전설비의 이상상태에 대한 조기 진단 및 효율적인 유지보수가 필요하다.
종래의 경우, 발전소 회전체 설비(증기터빈, 가스터빈, 보일러 급수펌프, 대형팬 등)는, 회전체 감시 시스템(Vibration Monitoring System)을 이용하여, 단순히 회전체의 진동 크기를 감지하여 이상 여부를 판단하였으나, 고장 여부 및 직접적인 고장 원인은 자체적으로 판단할 수 없는 문제점이 있었다.
본 발명은 상기와 같은 문제점을 감안하여 이루어진 것으로, 발전 설비의 회전체의 진동 신호로부터 고장 여부 및 고장 유형을 자동적으로 판단할 수 있고, 나아가서 이상 상태를 예측할 수 있는 발전 설비의 자동 진단 시스템 및 자동 진단 방법을 제공하는 데 목적이 있다.
상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 발전 설비의 자동 진단 시스템은, 발전 설비의 회전체로부터 진동 데이터를 취득하는 데이터 측정부; 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시키는 신호처리부; 고장 유형별로 분류된 특성 인자의 패턴이 저장된 특성 패턴 저장부; 및 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단하는 고장 진단부를 포함한다.
일례로, 데이터 측정부는 회전체의 진동 변위를 측정하는 갭 센서와, 각 회전의 기준점을 제공하기 위해 회전체의 회전수를 측정하는 타코 센서를 포함한다.
신호처리부는 진동 데이터를 정상 회전에 대해 일정 각도 기준으로 리샘플링하도록 신호 처리할 수 있다. 또한, 신호처리부는 리샘플링된 진동 데이터를 소정 각도단위로 좌표축 변환시켜 상기 회전체의 원주 방향을 기준으로 각 방향에서의 진동 데이터를 획득하도록 신호 처리할 수 있다.
예로써, 상기 시간 영역에서의 특성 인자는 진동 데이터에 대한 최대값, 실효값, 평균값, 파고값, 형상 계수, 충격 계수, 왜도 및 첨도 중 적어도 하나를 포함하며, 상기 형상 영역에서의 특성 인자는 진동 데이터에 대한 궤도형상 장단축 비율을 포함하며, 상기 주파수 영역에서의 특성 인자는 진동 데이터에 대한 FC(Frequency Center), RVF(Root Variance Frequency), RMSF(RMS Frequency) 및 단계별 주파수 상대적 비율 중 적어도 하나를 포함한다.
고장 유형별로 분류된 특성 인자는, 각 고장 유형 상태에서 얻어진 진동 데이터로부터 추출된 특성 인자에 대해서 유전 알고리즘을 이용하되 쿨백-라이블러 발산법(Kullback-Leibler Divergence) 또는 확률적 분리 판별법(Probabilistic Discriminant Separability)에 의해 분류된 최적의 특성 인자이다.
여기서, 고장 유형은, 회전체에 대한 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 훨 상태 중 적어도 하나를 포함한다.
또한, 분류된 특성 인자에 대해서, 기계 학습을 통해 대상설비의 정상상태 데이터의 분포를 모두 정규분포로 가정한 후, 유사 설비의 정상상태 데이터 분포를 실제 적용 대상설비의 정상상태 데이터와 동일하도록 스케일링하여, 이전 특성 인자 데이터를 업데이트함으로써 자동진단 정확도를 향상시킬 수 있다.
본 발명의 일 실시예에 따른 발전 설비의 자동 진단 시스템은, 특성 인자 중 고장 유형별로 설정된 특성 인자에 대한 고장 지수에 기초하여, 진단하고자 하는 발전 설비의 잔여 건전성 상태(Remaining Health state)를 고장 유형별로 분석하는 고장 예측부를 더 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 발전 설비의 자동 진단 시스템은, 진단하고자 하는 발전 설비의 현재 상태와 관련된 특성 인자를 이용하여 다차원 그래프 형태로 출력하는 출력부를 더 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따른 발전 설비의 자동 진단 방법은, 발전 설비의 회전체로부터 진동 데이터를 취득하는 단계; 상기 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시키는 단계; 고장 유형별로 특성 인자의 패턴을 분류하여 저장하는 단계; 및 상기 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단하는 단계를 포함한다.
본 발명에 의하면, 발전 설비의 회전체의 진동 신호로부터 고장 여부 및 고장 유형을 자동적으로 판단할 수 있고, 나아가서 이상 상태를 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 발전 설비의 자동 진단 시스템을 나타내는 구성도이다.
도 2는 회전체 지지 구조를 설명하기 위한 도이다.
도 3은 일정 각도 기준 리샘플링 파형 데이터 전처리 과정을 설명하기 위한 도로서, 도 3(a)는 타코 센서에 의해 측정된 기준 신호이며, 도 3(b)는 갭 센서에 의해 측정된 진동 신호이고, 도 3(c)는 신호처리부에 의해 리샘플링된 신호이다.
도 4(a)는 제1 진동 센서에 의해 측정된 진동 신호이고, 도 4(b)는 제2 진동 센서에 의해 측정된 진동 신호이며, 도 4(c)는 좌표축 변환을 통해 획득한 진동 신호이다.
도 5는 좌표축 회전 변환을 설명하기 위한 그래프이다.
도 6 (a) 및 (b)는 각각 x축, y축 방향에서의 좌표축 회전 변환을 나타낸 그래프이다.
도 7은 다양한 상황에서의 진동 데이터의 확률 분포도를 통해 클래스간 상호 관계를 설명하기 위한 도이다.
도 8은 PDS 분리 기법을 통해 최적의 특성 인자를 선택하는 과정을 설명하기 위한 순서도이다.
도 9는 KLD 분리 기법을 통해 최적의 특성 인자를 선택하는 과정을 설명하기 위한 순서도이다.
도 10은 학습 데이터 스케일링 기법을 적용하는 과정을 설명하기 위한 예시도이다.
도 11은 발전설비에서 획득한 데이터를 이용하여 새로운 학습데이터를 생성하는 과정을 나타내는 예시도이다. 도 11(a) 실제 적용 대상설비의 진동신호로부터 추출한 Skewness 분포, 도 11(b) 정상상태의 유사 설비에서 추출한 Skewness 분포, 도 11(c) 스케일링된 정상상태의 유사설비에서 추출한 Skewness 분포를 나타내는 그래프이다.
도 12은 스케일링으로 인한 변화 결과를 설명하기 위한 예시도이다.
도 13은 발전설비의 현재 상태를 특성 인자를 이용하여 다차원 그래프 형태로 나타낸 예시도이다.
도 14는 회전체 진동 인터페이스 모듈 기반 자동 이상 상태 진단 화면을 나타내는 예시도이다.
도 15는 본 발명의 일 실시예에 따른 발전 설비의 자동 진단 방법을 나타내는 순서도이다.
도 16은 진동 데이터 기반 기계 학습 흐름 및 자동 진단 과정을 설명하기 위한 흐름도이다.
도 17은 진동 데이터 기반 고장 상태 자동 예측 과정을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 발명에 따른 실시 예들을 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 발전 설비의 자동 진단 시스템을 나타내는 구성도이다.
도 1에 도시된 바와 같이, 본 발명에 따른 자동 진단 시스템은 데이터 측정부(10), 신호처리부(20), 특성 패턴 저장부(30), 고장 진단부(40), 고장 예측부(60), 출력부(70) 및 제어부(50)를 포함할 수 있다.
먼저, 데이터 측정부(10)는 발전 설비의 회전체로부터 진동 데이터를 취득하는 구성이다.
데이터 측정부(10)는, 예를 들면, 회전체의 진동 변위를 측정하는 갭 센서와, 각 회전의 기준점을 제공하기 위해 키페이저(key phaser)로서 회전체의 회전수를 측정하는 타코 센서를 포함할 수 있다.
예로써, 도 2에 도시된 바와 같이, 발전소의 증기 터빈과 같은 주기기는 회전체(13)의 양축을 베어링(15)으로 지지하는 구조를 갖는다. 이에 따라, 비접촉식 진동 센서인 갭 센서(11)를 통해 회전체(13) 진동을 측정하기 위해 베어링(15)에서의 회전축의 진동 변위를 측정하며, 비접촉식 진동 센서(11)는 베어링의 각 측정위치에서 90도 간격을 두고 장착될 수 있다. 또한, 일반적으로 국내 발전소 주기기 회전체의 정상 운전 상태의 작동 회전수는 3,600 RPM이며, 시간 영역과 주파수 영역에서 최적의 진단을 수행하기 위해서, 진동 데이터 측정 샘플링률은 3,200 samples/sec 이상을 적용하여 측정한다.
신호처리부(20)는 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시키는 구성이다.
신호처리부(20)는 진동 데이터를 정상 회전에 대해 일정 각도 기준으로 리샘플링하도록 신호 처리할 수 있다.
본 발명에서 회전체의 정상 회전수에 대한 일정 각도 기준 리샘플링 처리는 각 회전의 기준이 되는 기준 신호(즉 키페이저 신호)를 이용하여 회전 수 단위로 데이터를 구분함과 동시에 회전 각도 기반의 리샘플링을 수행하는 데이터 전처리 과정을 의미한다. 이러한 데이터 전처리 과정은, 예로써, 신호 처리부에 의해 회전 신호와 동기화한 진동 신호를 1회전당 128개의 디지털 신호를 일정간격으로 취득하도록 리샘플링한다. 이러한 데이터 전처리 과정을 거치면 각 진동 파형의 회전각 기준의 데이터를 추출하여 속도 차이에서 발생할 수 있는 불확실성을 제거하고 이상 상태별 특성을 증대시킬 수 있다. 도 3(a)에서와 같이 1회전당 한번씩 진동하는 기준 신호는 회전체의 속도를 알려줄 뿐만 아니라, 도 3(b)에서와 같은 전체 진동 신호의 절대적 기준 역할을 한다. 정상 상태의 발전소 터빈이라도 계통과 동기되어 있어 회전 속도가 조금씩 변하기 때문에 획득한 진동 데이터를 그대로 사용할 경우 잘못된 분석을 할 수 있다. 이에 따라, 회전 속도의 영향을 최소화하고자 정상 운전 부하조건에서 일정 각도 기준 리샘플링의 신호처리를 한다. 도 3(c)와 같이, 기준 신호를 기준으로 모든 진동 데이터가 1회전당 같은 간격의 개수가 되도록 리샘플링하면 회전속도가 변하여도 진동 파형으로부터 얻는 정보는 동일해진다. 또한, 데이터를 정확한 회전수로 분리할 수 있으므로 물리적 의미를 보다 강화할 수 있는 특성 인자 추출이 가능해진다. 추가적으로, 리샘플링에 의해 데이터 분산이 줄어들어 분류 가능성을 높이는 효과를 얻을 수 있다.
이어서, 신호처리부는 리샘플링된 진동 데이터를 소정 각도단위로 좌표축 변환시켜 상기 회전체의 원주 방향을 기준으로 각 방향에서의 진동 데이터를 획득하도록 신호 처리할 수 있다.
기존의 진단 방법들은 각 센서에서 측정된 데이터만을 진단에 활용하기 때문에, 본 발명에서 좌표축 회전 변환은 진단 정확성 및 강건성 제고를 위해 중요한 요소이다. 기존의 진동 크기 기반의 진단 또는 데이터 기반의 상태 진단 시스템을 고려해 보면, 측정 센서 위치에서 항상 최대 진동이 발생하거나 측정 위치에서 데이터가 해당 이상 상태 특성을 모두 나타낼 수 있는 것은 아니다.
본 발명에서는 베이링 위치별로 반경 방향 90도를 이루는 센서(즉, 갭 센서)에 의해 획득한 데이터를 이용하여 측정이 이루어지지 않는 방향의 데이터를 재생성할 수 있다. 각 이상 상태의 특성을 회전체의 모든 원주 방향에서 고려함으로써 진단 성능의 표준화 및 정확도 개선에 기여할 수 있다. 예를 들어, 도 4에서와 같이, x축 방향(a), y축 방향(b) 그리고 좌표축 회전 방향(c)에서의 진동 데이터를 통해 이상 상태에서 발생할 수 있는 다른 특성의 진동 데이터를 획득할 수 있다.
저널 베어링의 경우, 특성상 특정 원주 방향에서 일어나는 이상 상태가 다른 방향에 영향을 미치지 않는, 방향성 있는 이상 상태가 있다. 이런 방향성 있는 이상 상태는 이상 상태의 방향이 측정한 센서의 방향과 일치하지 않으면 정확한 진단이 이루어지기 어렵다. 지금까지의 진단 방법은 방향성을 전혀 고려하지 않았다.
본 발명에서는 90도를 이루는 두 개의 진동 센서로부터 측정한 데이터를 원주 방향에 대해 회전 변환하여 모든 방향에서의 진동 신호로 변환한다. 예를 들면, 도 5에서와 같이, 좌표축을 θ만큼 회전시키면 새로운 좌표는 수학식 1에 의해 정의될 수 있으며, 임의의 방향에 대한 진동 신호를 얻을 수 있다.
Figure PCTKR2017009221-appb-M000001
도 6에서는 저널 베어링에서 획득된 특정 이상 상태에 대해 90도를 이루는 두 센서에서 특정된 데이터와 좌표축 회전 변환을 통해 얻어진 데이터를 나타낸다. 도 6의 (a), (b)의 좌측 상단의 데이터는 각각 x, y축 방향의 비접촉식 진동 센서를 통해 측정된 원 데이터이고, 각각의 나머지는 22.5도씩 시계 방향으로 좌표축 회전 변환을 적용한 데이터들이다. 180도를 기준으로 상하 대칭이 되는 것을 확인할 수 있고, 점선안의 데이터를 통해 y축 데이터를 90도 좌표축 회전시키면 x축 데이터와 같아지는 것을 확인할 수 있다.
본 발명에서는 11.25도씩 좌표축 회전 변환이 적용된 데이터를 활용하고 있으며, 이를 통해, 추후 설명될 이상 상태에 대한 전반적인 진동 특성을 반영할 수 있다. 리샘플링 신호처리 후 11.25도를 기준으로 16번의 회전 변환을 하여 180도 범위의 진동 신호를 얻는다. 나머지 180도 범위는 원래 파형의 위아래를 바꾼 형태이므로 중복된다. 따라서, 180도에 해당하는 범위의 진동 신호를 11.25도 간격으로 추출하여 데이터를 획득한다.
이어서, 진동 신호 기반 특성 인자를 추출하게 된다. 정상 회전수에 대한 일정 각도 기준 리샘플링 파형 데이터 처리 과정 및 좌표축 회전 변환을 거쳐 이상 상태의 방향성을 고려한 진동 신호의 재생성된 데이터들을 이용한 자동 상태 진단이 가능하도록 재생성 데이터로부터 특성 인자를 추출하고 정량화한다.
표 1에서와 같이, 본 발명에서 진동 신호는 시간에 대한 파형으로 획득되므로 먼저 회전체에서 물리적인 의미를 가지는 것들을 시간 영역으로 정량화하기 위해 회전체의 에너지와 관련된 인자(최대값(Max), 평균값(Mean), 실효값(RMS)), 진동 파형의 형태와 관련된 인자(파고값(Crest Factor), 형상 계수(shape Factor), 충격 계수(Impulse Factor)), 그리고 데이터 분포와 관련된 인자(왜도(Skewness), 첨도(Kurtosis)) 등으로 선택한다. 이를 통해 일정 시간 동안의 물리적인 의미를 볼 수 있다. 또한, 주파수 영역 인자들 중 저널 베어링 시스템에 적합한 인자들(FC(Frequency Center), RVF(Root Variance Frequency), RMSF(RMS Frequency))을 선별하고, 또한, 본 발명에서는 종래에서는 없었던 형상 영역을 도입한다. 형상 영역은 회전체 진동의 1X 진동의 축 거동형상을 정량화한 것이다. 이렇게, 시간 영역과 주파수 영역뿐 아니라 형상 영역의 특성 인자들은 모두 진동 데이터를 정량화한 값이다.
Figure PCTKR2017009221-appb-T000001
여기서, x는 회전수이며, N은 전체 회전수이고, s는 왜도이다.
시간 영역은 파형 하나하나가 특징을 두드러지게 나타낼 수 있는 요소들을 내포하고 있기 때문에 1회전으로부터 얻는 정보가 유용하다. 형상 영역의 경우는 1회전으로부터 얻은 1X에 해당하는 각 베어링의 궤적형상을 장축과 단축의 크기를 사용한다. 반면 주파수 영역에서는 일정시간 동안의 진동 데이터에서의 물리량을 나타내기 때문에 최대한 많은 회전수를 기준으로 특성 인자들을 추출하는 것이 유리하다. 다만, 너무 많은 회전수의 파형을 기준으로 할 경우 활용할 수 있는 데이터의 양이 줄어들기 때문에 적절한 수의 회전수의 파형을 선택해야 한다. 본 발명에서는 주파수 응답함수의 해상도를 고려하여 60회전 분량을, 시간 영역 및 형상 영역에서는 1회전 분량을 사용한다.
이어서, 특성 패턴 저장부(30)는 고장 유형별로 분류된 특성 인자의 패턴이 저장된 구성이다. 일례로, 고장 유형별로 분류된 특성 인자는, 각 고장 유형 상태에서 얻어진 진동 데이터로부터 추출된 특성 인자에 대해서 유전 알고리즘을 이용하되 쿨백-라이블러 발산법(KLD: Kullback-Leibler Divergence) 또는 확률적 분리 판별법(PDS: Probabilistic Discriminant Separability)에 의해 분류된 최적의 특성 인자이다. 여기서, 고장 유형은 회전체에 대한 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 훨 상태 중 적어도 하나를 포함한다.
시간 영역의 1회전 기준 특성 인자와 주파수 영역의 60회전 기준 특성 인자로 선정한 것은 분류 능력이 우수하기 때문이다. 본 발명에서 첫 번째로 적용하는 데이터군간의 분리능력을 나타내는 기준은 쿨백-라이블러 발산법(KLD)인 상호 정보량(MI: Mutual Information)이다.
Figure PCTKR2017009221-appb-M000002
여기서, X, Y는 특성 인자이다. DKL(P∥Q)는 상대적 엔트로피이다.
이 결과는 수학식 3을 적용하는 FDR(Fisher Discriminant Ratio) 기법과 유사한 결과를 나타낸다.
Figure PCTKR2017009221-appb-M000003
여기서, μ는 평균값을 나타내고, σ는 표준 편차를 나타낸다.
본 발명에서 두 번째로 적용하는 데이터군 간의 분류능력을 나타내는 기준은 확률적 분리 판별법(PDS: Probabilistic Discriminant Separability)이라는 새로운 기준을 수학식 4와 같이 정의하였다.
Figure PCTKR2017009221-appb-M000004
여기서, fc1 는 Fc2는 각각 데이터군 중 클래스 1의 누적 분포 함수와 클래스 2의 확률 밀도 함수를 나타내고,
Figure PCTKR2017009221-appb-I000001
및
Figure PCTKR2017009221-appb-I000002
는 각각 클래스의 중앙값이다. 1과 2는 비분리 영역의 확률이 0과 0.5 사이의 확률적 분리 판별법인 PDS의 방정식은 수학식 5와 같이 표현되는 0과 1 사이의 정규화 분류값으로 정의할 수 있다.
Figure PCTKR2017009221-appb-M000005
이에 따라, 도 7에서와 같이, 다양한 상황의 두 부류 데이터의 확률 분포도를 나타내었다. 도 7에서 두 가지 이상 상태(클래스 1, 클래스 2)가 겹치게 분포하여 분류가 어려운 조건은 회색영역으로 표현하였다. 한편, 표 2는 도 7의 (a) ~ (d)에 대해서 KLD기법, FDR 기법 및 PDS 기법을 통해 정량화한 것을 나타낸다. 세 가지 기법 중 PDS는 신뢰성 분석 이론에서 강도와 하중을 기반으로 신뢰도를 구하는 원리를 응용한 것이다. 데이터의 두 부류의 확률 분포도로부터 겹치는 부분을 정량화하여, 겹치는 부분이 없는 분류능력이 높은 경우를 1로 지정하고, 완전히 겹쳐 분류능력이 없는 경우를 0으로 정의한 데이터 분류능력 기준이다. PDS 기법도 KLD기법 및 FDR기법과 마찬가지로 이진 분류에 기반을 두었지만 각각의 경우를 평균화함으로 개별 특성 인자들끼리 비교할 수 있는 장점이 있다.
Figure PCTKR2017009221-appb-T000002
각 이상 상태에서 얻어진 진동 데이터(좌표축 회전변환 데이터 포함)로부터 추출된 이상 상태별 특성 인자는 하나의 부류로 간주하여 기계학습 방법으로 분류기를 학습한다. 본 발명에서 적용하는 분류기의 학습은 진행하기 전 도 8과 같은 선택 과정을 통하여 최적의 특성(feature)을 선택한다. 또는, 수학식 5의 확률적 분리 판별식인 PDS를 다음의 수학식 6에 적용하여 m개의 특성 인자들 중 j번째 특성 인자와 l번째 특성 인자들 중 상관 계수(ρj,l)를 갖는 특성 인자들을 제거하는 방식으로 도 9와 동일한 유전 알고리즘(genetic algorithm)을 사용하여 최적의 특성 인자를 선택할 수 있다.
Figure PCTKR2017009221-appb-M000006
발전소의 발전 설비 또는 테스트 베드를 통해 획득된 각 이상 상태의 학습용 진동 데이터에서 일정 각도 기준 리샘플링, 좌표축 회전변환, 시간 및 주파수 영역에서의 분석을 통해 얻은 특성 인자를 이용하여 분류기를 학습시키게 된다. 본 발명에서는 고장 유형을 왜곡없이 분류해 낼 수 있도록 도 8과 같이 민감성이 높은 특성치를 선택할 수 있도록 유전자 알고리즘(GA)을 사용하였으며, 또한 분류기는 도 9와 같이 선형 판별 분석법인 FDR(Fisher Discriminant Ratio)와 선형 및 비선형 모두에 적합한 서포트 벡터 머신(SVM: Support Vector Machine)의 기계학습 방법을 적용할 수 있는 분류기 학습 모듈이다. 서포트 벡터 머신은 Liner, Polynomial, RBF 등의 커널 함수 등을 사용한다. 여기서 커널 함수는 유사성 함수(Similarity function)로서 데이터를 높은 차원으로 이동시켜서 데이터 분류 정확도를 높이는 역할을 한다.
이어서, 특성 패턴 저장부(30)에 저장되는 유사 설비를 대상으로 학습한 데이터는 실제 대상설비 대비 크기 및 제원이 서로 다르기 때문에 실제 대상 설비에서의 진단 정확도를 높일 필요가 있다. 여기서는 실 적용 대상설비에서 취득되는 정상상태 데이터를 기준으로 유사 설비를 통하여 확보한 기존 학습 데이터를 스케일링하여 대상 설비의 진단에 활용하는 방법을 적용한다. 실제 설비에서 획득한 데이터는 대부분 정상상태이므로, 이외의 이상상태 데이터를 인위적으로 만들어내기는 어렵다. 따라서 유사설비에서 기 획득한 다양한 상태 데이터를 활용한다. 유사 설비에서 획득한 데이터를 학습하여 대상 설비에 사용하게 되면 진단 성능이 좋지 않으므로 적절한 스케일링을 한다. 이때 그 스케일링의 기준은 실제 적용대상 설비의 정상상태 데이터와 유사설비의 정상상태 데이터를 비교 분석하여 정하는 방법을 고안한다. 데이터의 분포를 모두 정규분포로 가정한 후, 유사 설비에서 획득한 정상상태 데이터의 분포를 실제 적용 대상설비에서 획득한 정상상태 데이터와 동일하도록 수학식 7과 같이 스케일링 해준다. 도식적으로 표현하면 도 10과 같다. 스케일링 기준은 정상상태의 데이터로부터 정하고, 기존 유사 설비의 학습 데이터 전체를 스케일링하여 새로운 학습 데이터로 사용하는 방법을 포함한다.
Figure PCTKR2017009221-appb-M000007
여기서,
Figure PCTKR2017009221-appb-I000003
이다.
본 발명에서는 기본적으로 데이터 기반 진단 알고리즘은 실제 대상설비 대비 크기 등 전체 제원이 서로 다른 유사설비를 통한 다양한 이상상태 데이터를 적용해도 진단 정확도를 확보할 수 있도록 실 적용 대상설비에서 취득되는 정상상태 데이터를 기준으로 유사 설비를 통하여 확보한 기존 학습 데이터를 스케일링하여 대상 설비의 진단에 활용하는 방법을 포함한다.
이어서, 고장 진단부(40)는 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단하는 자동 진단 모듈이다.
자동 진단 모듈은 분류기 학습 모듈을 통하여 기계 학습된 분류기의 정보를 사용함으로써 현재 운전 중의 진동이 어떤 이상 상태와 가까운 특성을 가지는지 자동으로 진단하는 모듈이다. 이상 상태를 자동 진단하는 과정은 전처리과정을 통하여 연산된 특성 인자를 기계 학습된 분류기로 입력변수로 전달하여 도출된 데이터 분류 기법별 기준 파라미터와 비교를 통해 실시간 진동신호의 상태가 어느 위치에 있는지 통계적으로 판별한 후 정상, 언밸런스, 러빙, 미스얼라인 및 오일 훨 등 회전체 베어링 상태에 대한 고장 정보인 고장 유형(AP: Anomaly Probability)을 수학식 8과 같이 자동으로 학습된 SVM 또는 FDA 분류기를 사용하여 계산하고 상태를 진단한다.
Figure PCTKR2017009221-appb-M000008
여기서, Dj,i는 i번째 좌표축 회전 변환(ODR: Omni Directional Regeneration)에서 j번째 클래스의 FDA 또는 VSM에 의해 산출된 값이다.
이어서, 출력부(70)는 진단하고자 하는 발전 설비의 현재 상태와 관련된 특성 인자를 이용하여 다차원 그래프 형태로 출력하는 구성이다. 본 발명에서는 분류기 학습모듈에서 선택된 특성 인자를 사용하여 분리된 이상 상태 클래스를 고장 유형별로 시각화를 위하여 원 데이터를 PCA(Principal Component Analysis) 기법을 사용하여 변형한다. 변형 방법은 학습데이터에서 선택된 특성 인자를 입력 변수로 PCA 기법에 적용하여 PCA 계수를 추출하고 이 계수와 학습된 분류기의 행렬곱을 통해 변형된 데이터를 결과로 산출하여 진단을 위해 학습된 분류기의 학습정보를 도 13에서와 같이 시각화할 수 있다. 도 13에서, D1, D2, D3, D4는 다차원 특성 인자(HD1, HD2, HD3)를 사용하여 SVM 분류기를 통해 산출된 값을 나타낸다. 또한, 출력부(70)는 도 14와 같이, 진동 데이터를 이용하여 발전 설비의 측정 부위별로 고장 여부 및 이상 여부를 판단하고 예측할 수 있으며, 발전 설비의 현재 상태를 그래프 형태로 파악할 수 있다. 도 14의 우측 그래프에서, x축은 궤도형상 장단축 비율에 관한 것이며, y축은 파형 비대칭도(즉, skewness)에 관한 것이고, z축은 진동 피크값(max(abs))을 적용한 경우에 관한 것이다. 이와 같은 방법에 따라, 관련된 특성 인자들을 통해 정상, 언밸런스, 러빙, 미스얼라인 및 오일 훨 등에 대한 현재 상태를 확인할 수 있다.
정리하면, 도 16에서와 같이, 예로써, 기계 학습은 사전에 이상 징후 및 고장 진동 파형으로부터 고장별 특성 인자를 추출하고 상호 정보량 기반의 최적의 특성 인자를 선정하여 데이터 베이스(즉, 특성 패턴 저장부)에 저장한다. 이러한 과정을 반복해서 분류기 기반의 기계학습이 이루어진다. 한편, 자동 진단 과정은 진단하고자 하는 발전 설비로부터 실시간 진동 데이터가 측정되면, 건전성 인자별 특성을 추출(즉, 특성 인자 추출)하여 최적 특성 인자 기반에 따라 고장을 진단하여, 현재 상태를 평가한다.
이어서, 고장 예측부(60)는 특성 인자 중 고장 유형별로 설정된 특성 인자에 대한 고장 지수에 기초하여, 진단하고자 하는 발전 설비의 잔여 건전성 상태(Remaining Health state)를 고장 유형별로 분석하는 상태 예측 지원 모듈이다.
고장 예측부(60)는 고장 진단부(40)로부터 고장 지수(AI: Anomaly Index)를 실시간으로 전달받아 회전체 고장 유형별로 고장발생 가능성을 추정할 수 있는 모델을 생성한 후, RHS(Remaining Health State)라는 잔여 건전성 상태를 정량화한 정보를 제공한다. 고장 지수(AI)는 표 3과 같이 유형별로 정의할 수 있다.
Figure PCTKR2017009221-appb-T000003
고장 예측부(60)의 특징은 발전 설비의 정상 작동 구간에서의 이력 데이터를 기반으로 생성되는 기본 모델과 실시간으로 전달되는 AI(Anomaly Index) 데이터군(사용자가 개수 설정 가능)을 기본 모델 생성시 사용한 이력 데이터에 추가하여 베이지안 추론 과정을 거쳐 기존 분포도 변화도를 판단하여 가변 모델을 생성한다. 사용자가 설정한 분포도의 좌우영역 한계점을 초과할 경우 이에 해당하는 고장유형 기본모델은 가변형 모델을 추가로 생성하며 지속적으로 모델 경향을 동적으로 자동 분석하게 된다. 일례로, 고장 예측 과정은 도 17과 같다. 이때, 수학식 9과 같이 사후 분포도의 평균과 표준 편차를 이용한다.
Figure PCTKR2017009221-appb-M000009
여기서, M은 데이터 수,
Figure PCTKR2017009221-appb-I000004
은 M의 평균, σ는 표준편차를 나타내며,
Figure PCTKR2017009221-appb-I000005
은 사후 분포도의 평균을 나타내고,
Figure PCTKR2017009221-appb-I000006
는 사후 분포도의 표준편차를 나타낸다.
가변 모델이 발생한다는 의미는 설비 상태가 악화되어 변화됨에 따라 정상 상태를 기준으로 AI 데이터 특성이 변화한다는 뜻으로, 수학적으로 기본모델에 사용되는 지수함수(Exponential function)의 상수 값이 바뀌면서 분석 시점 기울기가 급격해지거나 혹은 완만해질 수 있다. 이는 잔여 건전성 상태(RHS) 변화를 시각적으로 관찰할 수 있게 됨으로써 가변 모델의 추이 변화를 통해 설비상태를 사전에 예측하는 원리이다.
예를 들어, 회전체 진동에서 정상과 언밸런스 상태는 유사한 특성을 지니기 때문에, 데이터 분류기를 통해 언밸런스가 나오더라도 바로 결과를 확정짓지 않으며, 알고리즘에서 정의한 고장 지수(AI)의 정상상태 값이 사용자 설정 한계치를 초과하였을 때 비로소 언밸런스 상태로 정의한다(한계치를 초과하지 않았을 경우 정상 상태에 해당하는 결과값을 사용함). 나머지 고장 유형은 데이터 분류기의 최종 결과값을 신뢰하여 베어링 상태를 진단할 수 있다.
이어서, 제어부(50)는 데이터 측정부(10), 신호처리부(20), 특성 패턴 저장부(30), 고장 진단부(40), 고장 예측부(50) 및 출력부(70)를 제어하는 구성이다.
이와 같은 본 발명에 의하면, 기존 현장의 상태 감시 장치의 버퍼드 출력단을 사용하여, 진단전용 인터페이스 모듈기반 증기터빈, 가스터빈, 펌프 등 발전설비 이상상태 자동 진단 장치로 활용될 수 있을 뿐 아니라, 다양한 통신 방식 등을 통하여 원격지에서 실시간 상태 진단을 지원할 수 있으며, 빅데이터 처리기반과 연계하여 설비의 이상 상태를 사전에 감지하고 이상상태감시 및 고장진단 시스템으로 적용할 수 있다.
이어서, 도 15에서와 같이, 본 발명에 따른 발전 설비의 자동 진단 방법을 설명하기로 한다.
도 15에 도시된 바와 같이, 본 발명에 따른 발전 설비의 자동 진단 방법은, 발전 설비의 회전체로부터 진동 데이터를 취득한다(S10). 이어서, 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시킨다(S20). 이어서, 고장 유형별로 특성 인자의 패턴을 분류하여 저장한다(S30). 이어서, 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단한다(S40).
본 발명에 의하면, 화력발전 핵심 회전체 설비 대상으로 운전 중 취득되는 진동 신호에 대응하여 고장 유형별로 건전성 인자를 실시간으로 계산하고 정량화 과정을 거쳐 고장발생 가능 시기를 추적할 수 있는 모델을 생성할 수 있다. 또한 이러한 모델을 발전소 현장에 적용함으로써 설비 담당자에게 이상 상태 변화를 왜곡 없이 전달하여 관련 설비의 사고 감소와 안전성을 향상시킬 수 있다.
본 발명에서는 지금까지 측정하지 않았던 키페이저 신호가 포함되어야 하고, 진동신호는 더 높은 샘플링률로 취득되어야 한다. 이와 같은 사항은 데이터베이스 구축의 가이드라인으로 사용될 수 있다. 실제 발전소를 운영하다 보면 같은 설비라도 다른 특징들을 나타내기도 하고 회전 속도 또한 계속해서 변한다. 게다가 갑작스런 고장으로 인해 불안정한 진동 신호가 발생하는 경우도 있으므로 다양한 환경에서 일관된 진동데이터를 획득하는 것이 중요하다. 본 발명에서는 회전속도에 관계없이 키페이저 신호의 절대적인 기준으로 매 회전마다 진동 데이터를 리샘플링해주고, 이를 바탕으로 시간 영역, 주파수 영역 및 형상 영역에서 특성 인자들을 추출한다. 회전수를 기준으로 특성 인자들을 추출하기 때문에 진동 신호의 갑작스러운 변화가 있더라도 일관성 있는 분석이 가능하다. 또한, 방향성을 고려한 데이터 생성 및 이상 상태 진단이 가능하며 이는 진단 정확성과 강건성을 높일 수 있다.
또한, 종래의 진단 시스템은 측정된 신호만을 활용하고 있다. 하지만 센서가 없는 방향에서도 얼마든지 이상 상태가 발생할 수 있기 때문에 원주방향의 모든 신호를 고려한 진단이 이루어져야 한다. 본 발명은 약 10° 간격의 원주방향 진동신호를 획득할 수 있기 때문에 방향성 있는 이상 상태도 진단이 가능하다. 시간 영역과 주파수 영역에서의 특성 인자 추출에 적합한 회전수 기준을 설정하여 진단의 강건성을 증가시켰다. 각각의 특성을 고려하여 시간 영역의 특성 인자들은 1 회전을 기준으로, 주파수 영역의 특징인자들은 60회전을 기준으로 추출하였다. 또한, 발전소 저널 베어링 시스템에 적합한 특성 인자들을 선별하여, 선별된 특성 인자를 각각이 물리적인 의미를 지닌 중요한 인자로 활용하였다. 사용한 특성 인자들은 기존의 분류능력 평가방법(KLD와 FDR)과 더불어 PDS로도 다른 기준의 특성 인자들에 비해 우수한 분류능력을 나타내고 있다. PDS라는 새로운 분류 능력 평가 기준을 발견하였다. 지금까지 분류능력을 나타내는 평가기준은 대부분 상대적인 지표로서 특징인자 간의 비교는 어려웠다. 하지만 PDS는 신뢰성 분석 이론으로부터 아이디어를 얻어 0과 1사이의 값으로 모두 표현이 가능하다. 따라서 PDS를 사용하면 두 부류의 데이터의 분류능력을 정량적으로 정의할 수 있다.
본 발명은 원자력, 화력, 수력 등의 발전소뿐 아니라 각종 다양한 화학 플랜트, 유류설비 및 공장 등 핵심 저널베어링 회전체설비의 고장 자동진단 등에 유효하게 적용이 가능하여 적용 범위가 매우 넓다. 현재까지는 최신의 대용량 발전소에서조차 현재까지 고장 또는 이상상태를 스스로 진단할 수 있는 장치의 운영은 룰 엔진 또는 조기 경보 개념 정도가 시장을 형성하고 있으나, 본 발명은 일정각도 기준 리샘플링 파형 데이터 전처리과정을 통하여 특성인자를 시간영역, 형상영역, 그리고 주파수영역에서 정의하고 추출하는 방법, 회전체 진동의 고장으로 분류되는 러빙, 언발란스, 미스얼라인, 오일훨 등의 물리적인 특성을 반영하여 회전체의 주요 이상상태를 기계가 자동 단할 수 있는 획기적 기술이다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 캐리어 웨이브 매체 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (11)

  1. 발전 설비의 회전체로부터 진동 데이터를 취득하는 데이터 측정부;
    상기 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시키는 신호처리부;
    고장 유형별로 분류된 특성 인자의 패턴이 저장된 특성 패턴 저장부; 및
    상기 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단하는 고장 진단부를 포함하는 발전 설비의 자동 진단 시스템.
  2. 청구항 1에 있어서,
    상기 데이터 측정부는 상기 회전체의 진동 변위를 측정하는 갭 센서와, 각 회전의 기준점을 제공하기 위해 상기 회전체의 회전수를 측정하는 타코 센서를 포함하는 발전 설비의 자동 진단 시스템.
  3. 청구항 1에 있어서,
    상기 신호처리부는, 상기 진동 데이터를 정상 회전에 대해 일정 각도 기준으로 리샘플링하도록 신호 처리하는 발전 설비의 자동 진단 시스템.
  4. 청구항 3에 있어서,
    상기 신호처리부는, 리샘플링된 진동 데이터를 소정 각도단위로 좌표축 변환시켜 상기 회전체의 원주 방향을 기준으로 각 방향에서의 진동 데이터를 획득하도록 신호 처리하는 발전 설비의 자동 진단 시스템.
  5. 청구항 1에 있어서,
    상기 시간 영역에서의 특성 인자는 진동 데이터에 대한 최대값, 실효값, 평균값, 파고값, 형상 계수, 충격 계수, 왜도 및 첨도 중 적어도 하나를 포함하며,
    상기 형상 영역에서의 특성 인자는 진동 데이터에 대한 궤도형상 장단축 비율을 포함하며,
    상기 주파수 영역에서의 특성 인자는 진동 데이터에 대한 FC(Frequency Center), RVF(Root Variance Frequency), RMSF(RMS Frequency) 및 단계별 주파수 상대적 비율 중 적어도 하나를 포함하는 발전 설비의 자동 진단 시스템.
  6. 청구항 1에 있어서,
    상기 고장 유형별로 분류된 특성 인자는, 각 고장 유형 상태에서 얻어진 진동 데이터로부터 추출된 특성 인자에 대해서 유전 알고리즘을 이용하되 쿨백-라이블러 발산법(Kullback-Leibler Divergence) 또는 확률적 분리 판별법(Probabilistic Discriminant Separability)에 의해 분류된 최적의 특성 인자인 발전 설비의 자동 진단 시스템.
  7. 청구항 1에 있어서,
    상기 고장 유형은, 회전체에 대한 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 훨 상태 중 적어도 하나를 포함하는 발전 설비의 자동 진단 시스템.
  8. 청구항 1에 있어서,
    상기 분류된 특성 인자에 대해서, 기계 학습을 통해 대상설비의 정상상태 데이터의 분포를 모두 정규분포로 가정한 후, 유사 설비의 정상상태 데이터 분포를 실제 적용 대상설비의 정상상태 데이터와 동일하도록 스케일링하여, 이전 특성 인자 데이터를 업데이트함으로써 자동진단 정확도를 향상시키는 발전 설비의 자동 진단 시스템.
  9. 청구항 1에 있어서,
    상기 특성 인자 중 고장 유형별로 설정된 특성 인자에 대한 고장 지수에 기초하여, 상기 진단하고자 하는 발전 설비의 잔여 건전성 상태(Remaining Health state)를 고장 유형별로 분석하는 고장 예측부를 더 포함하는 발전 설비의 자동 진단 시스템.
  10. 청구항 1에 있어서,
    상기 진단하고자 하는 발전 설비의 현재 상태와 관련된 특성 인자를 이용하여 다차원 그래프 형태로 출력하는 출력부를 더 포함하는 발전 설비의 자동 진단 시스템.
  11. 발전 설비의 회전체로부터 진동 데이터를 취득하는 단계;
    상기 취득된 진동 데이터를 신호 처리하여, 시간 영역, 주파수 영역 및 형상 영역에 대해서 소정의 특성 인자를 추출하고 정량화시키는 단계;
    고장 유형별로 특성 인자의 패턴을 분류하여 저장하는 단계; 및
    상기 분류된 특성 인자의 패턴에 기초하여, 진단하고자 하는 발전 설비의 고장 여부 및 고장 유형을 진단하는 단계를 포함하는 발전 설비의 자동 진단 방법.
PCT/KR2017/009221 2017-05-12 2017-08-23 발전 설비의 자동 진단 시스템 및 자동 진단 방법 WO2018207973A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/611,450 US20210140851A1 (en) 2017-05-12 2017-08-23 System and method for automatic diagnosis of power generation facility

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0059157 2017-05-12
KR1020170059157A KR101903283B1 (ko) 2017-05-12 2017-05-12 발전 설비의 자동 진단 시스템 및 자동 진단 방법

Publications (1)

Publication Number Publication Date
WO2018207973A1 true WO2018207973A1 (ko) 2018-11-15

Family

ID=63877059

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/009221 WO2018207973A1 (ko) 2017-05-12 2017-08-23 발전 설비의 자동 진단 시스템 및 자동 진단 방법

Country Status (3)

Country Link
US (1) US20210140851A1 (ko)
KR (1) KR101903283B1 (ko)
WO (1) WO2018207973A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932178A (zh) * 2019-02-01 2019-06-25 江苏大学 一种多级链传动机构故障诊断系统及方法
CN110132598A (zh) * 2019-05-13 2019-08-16 中国矿业大学 旋转设备滚动轴承故障噪声诊断算法
CN111397909A (zh) * 2020-04-08 2020-07-10 西安交通大学 一种航空发动机涡轮盘低循环疲劳裂纹在线监测方法
CN113283222A (zh) * 2021-06-11 2021-08-20 平安科技（深圳）有限公司 自动化报表生成方法、装置、计算机设备及存储介质
CN114384154A (zh) * 2022-03-25 2022-04-22 中南大学 基于时域统计特征的凿岩钎头故障在线诊断方法和系统

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7101265B2 (ja) * 2019-01-15 2022-07-14 株式会社東芝 異常要因診断装置及びその方法、並びに異常要因診断システム
KR102196611B1 (ko) * 2019-02-12 2020-12-30 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템
KR102278702B1 (ko) * 2019-09-27 2021-07-16 광주과학기술원 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
KR102313215B1 (ko) * 2019-11-29 2021-10-15 한국생산기술연구원 특징 생성 기술을 이용한 머신러닝 기반 결함 분류 장치 및 방법
KR102212022B1 (ko) 2020-02-18 2021-02-05 한국과학기술원 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
KR102273609B1 (ko) * 2020-04-07 2021-07-06 한국전력공사 회전체진동 감시 시스템 및 회전체진동 감시 방법
KR102273610B1 (ko) * 2020-04-07 2021-07-06 한국전력공사 회전체 진동 신호 처리 보드, 회전체 진동 신호 감시 시스템, 및 회전체 진동 감시 방법
KR102473124B1 (ko) * 2021-01-08 2022-11-30 서울대학교산학협력단 전동기의 고장 검출 장치 및 방법
KR102387313B1 (ko) * 2021-05-26 2022-04-15 서울대학교산학협력단 진동 신호 생성 장치 및 이를 이용한 진동 신호 생성 방법
KR102475484B1 (ko) * 2021-06-10 2022-12-09 주식회사 원프레딕트 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치
KR102566810B1 (ko) * 2021-06-16 2023-08-11 서울대학교산학협력단 진동 신호 기반 모션 신호 추출 시스템 및 방법
WO2023232168A1 (en) * 2022-06-02 2023-12-07 Zapadoceska Univerzita V Plzni Method of automatic detection of synchronous rubbing in turbine
CN115448188B (zh) * 2022-08-25 2024-05-14 杭州大杰智能传动科技有限公司 一种塔式起重机回转机构综合监测控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0572026A (ja) * 1991-09-18 1993-03-23 Hitachi Ltd 回転系設備故障診断装置及び方法
KR20090088127A (ko) * 2008-02-14 2009-08-19 엠케이전자 주식회사 진동 신호를 이용한 회전 기계의 진단 시스템 및 그 진단방법
KR20120027733A (ko) * 2010-09-13 2012-03-22 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
KR101498527B1 (ko) * 2014-06-11 2015-03-05 한전케이피에스 주식회사 진동 주파수 분석 프로그램에 의한 발전소 회전설비상태 진단 시스템
KR101567756B1 (ko) * 2013-11-21 2015-11-11 이선휘 진동 특성을 이용한 설비의 결함 진단 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101409986B1 (ko) * 2013-07-15 2014-06-20 시그널링크 주식회사 진동모니터링 결함진단장치
KR101562492B1 (ko) * 2015-07-22 2015-10-22 (주)오토시스 주제어 모듈 이중화 기능을 갖는 발전설비 및 회전체 진동 감시 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0572026A (ja) * 1991-09-18 1993-03-23 Hitachi Ltd 回転系設備故障診断装置及び方法
KR20090088127A (ko) * 2008-02-14 2009-08-19 엠케이전자 주식회사 진동 신호를 이용한 회전 기계의 진단 시스템 및 그 진단방법
KR20120027733A (ko) * 2010-09-13 2012-03-22 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
KR101567756B1 (ko) * 2013-11-21 2015-11-11 이선휘 진동 특성을 이용한 설비의 결함 진단 방법
KR101498527B1 (ko) * 2014-06-11 2015-03-05 한전케이피에스 주식회사 진동 주파수 분석 프로그램에 의한 발전소 회전설비상태 진단 시스템

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932178A (zh) * 2019-02-01 2019-06-25 江苏大学 一种多级链传动机构故障诊断系统及方法
CN110132598A (zh) * 2019-05-13 2019-08-16 中国矿业大学 旋转设备滚动轴承故障噪声诊断算法
CN110132598B (zh) * 2019-05-13 2020-10-09 中国矿业大学 旋转设备滚动轴承故障噪声诊断算法
CN111397909A (zh) * 2020-04-08 2020-07-10 西安交通大学 一种航空发动机涡轮盘低循环疲劳裂纹在线监测方法
CN113283222A (zh) * 2021-06-11 2021-08-20 平安科技（深圳）有限公司 自动化报表生成方法、装置、计算机设备及存储介质
CN113283222B (zh) * 2021-06-11 2021-10-08 平安科技（深圳）有限公司 自动化报表生成方法、装置、计算机设备及存储介质
CN114384154A (zh) * 2022-03-25 2022-04-22 中南大学 基于时域统计特征的凿岩钎头故障在线诊断方法和系统
CN114384154B (zh) * 2022-03-25 2022-06-17 中南大学 基于时域统计特征的凿岩钎头故障在线诊断方法和系统

Also Published As

Publication number Publication date
US20210140851A1 (en) 2021-05-13
KR101903283B1 (ko) 2018-10-01

Similar Documents

Publication Publication Date Title
WO2018207973A1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
Wu et al. A multi-level-denoising autoencoder approach for wind turbine fault detection
CN108255649B (zh) 一种基于建模仿真协同分析的诊断策略设计方法
CN103443727B (zh) 异常检测系统以及异常检测方法
US5625574A (en) Method and data processing system for monitoring operating states of a technical plant
US11782430B2 (en) Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
JP2013029507A (ja) 機械をモニタリングする際に用いるシステムおよび方法
WO2011132900A2 (ko) 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
JP7238921B2 (ja) 設備診断方法
WO2021172723A1 (ko) 원전의 지능형 상태감시 방법 및 시스템
JPWO2018051568A1 (ja) プラント異常診断装置及びプラント異常診断システム
CN117474357A (zh) 基于深度学习的配电房运维管理方法及系统
WO2020050456A1 (ko) 설비 데이터의 이상 정도 평가 방법
WO2024120018A1 (zh) 检测方法、训练方法、电器、监控系统、存储介质和设备
WO2023128552A1 (ko) 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2018003028A1 (ja) ボイラーの故障判定装置、故障判定方法およびサービス方法
KR20140045826A (ko) 원전 저널 베어링 온라인 결함 진단 시스템
JP2020187516A (ja) 異常診断装置及び方法
Sharma et al. Explainable Artificial Intelligence (XAI) Approaches in Predictive Maintenance: A Review
JP2014063337A (ja) 異常検知システム及び記録媒体
JP2014026327A (ja) 実稼働データによる機器の状態診断装置
KR102602840B1 (ko) 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법
JPH08503089A (ja) プラントの診断システム
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
Liu et al. Fault Diagnosis of Rolling Bearing Based on Fast Spectral Kurtosis and PSO Optimized Multi Kernel Extreme Learning Machine

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17909285

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17909285

Country of ref document: EP

Kind code of ref document: A1