Nothing Special   »   [go: up one dir, main page]

KR102182226B1 - 고장 검출 진단 시스템 및 진단방법 - Google Patents

고장 검출 진단 시스템 및 진단방법 Download PDF

Info

Publication number
KR102182226B1
KR102182226B1 KR1020200090756A KR20200090756A KR102182226B1 KR 102182226 B1 KR102182226 B1 KR 102182226B1 KR 1020200090756 A KR1020200090756 A KR 1020200090756A KR 20200090756 A KR20200090756 A KR 20200090756A KR 102182226 B1 KR102182226 B1 KR 102182226B1
Authority
KR
South Korea
Prior art keywords
mechanical device
unit
state
measurement data
fault
Prior art date
Application number
KR1020200090756A
Other languages
English (en)
Inventor
홍원화
유원택
윤우승
서현철
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020200090756A priority Critical patent/KR102182226B1/ko
Application granted granted Critical
Publication of KR102182226B1 publication Critical patent/KR102182226B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 고장검출 진단시스템 및 진단방법에 관한 것으로, 본 발명에 따르면, 소정의 기계장치로부터 측정데이터를 입력받는 입력부; 상기 측정데이터를 토대로 상기 기계장치의 상태를 분류하고, 데이터필터링을 하여 전처리를 수행하는 전처리부; 전처리된 상기 측정데이터로부터 상기 기계장치의 상태를 진단하는 연산부; 및 고장상태에 대한 진단결과가 적절한지 여부를 판별하는 검증부;를 포함하므로기계장치에 대한 관리의 효율성을 증진시켜줄 수 있는 기술이 개시된다.

Description

고장 검출 진단 시스템 및 진단방법{Failure Detection-Diagnosis System and Method using Thereof}
본 발명은 하나 또는 다수의 기계장치에서 고장의 발생 여부를 검출하고 진단하는 고장검출 진단시스템 및 진단방법에 관한 것이다.
산업기술이 발전하면서, 기업이 생산제조 설비로 마련된 각종 기계장치들의 효율적인 운영 및 관리와 생산품의 신뢰성을 확보하기 위하여 기계설비 또는 기계장치의 운영상태나 안정도를 체크하고 관리하는 기술에 대한 연구들이 활발히 이루어지고 있다.
공기조화설비시스템이나 스마트공장과 같은 현장에서는 많은 단일 기계장치들이 자체적인 고장진단 내지 응급정지기능을 갖추고 있다. 그러나 대형공기조화설비시스템이나 스마트공장과 같이 다양한 기계설비 또는 기계장치들이 현장에서 통합되거나 연계되어 동작하는 온사이트 컨스트럭션(onsite construction)시스템은 현장여건에 따라 기계장치와 물리적 구성이 달라 규격화하기가 어렵기 때문에 공장에서 탐지되는 일반적인 고장 패턴 이외에 현장시공 후 발생가능한 고장에 대한 사전적 정의는 어려웠다.
따라서, 현장에서 다수의 기계장치 설비시스템을 통합하여 구축되는 통합기계설비시스템에 대한 데이터 기반의 고장검출 및 진단을 할 수 있는 기술이 요구되고 있었다.
대한민국 등록특허 제10-1995311호
본 발명의 목적은 상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로, 기계장치에서 고장의 발생여부를 검출하고 진단하여 기계장치에 대한 관리의 효율성과 정확성을 향상시켜줄 수 있는 고장검출 진단시스템을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 고장검출 진단시스템은, 소정의 기계장치로부터 고장여부를 진단하기 위한 측정데이터를 입력받는 입력부; 상기 입력부로 입력된 상기 측정데이터를 토대로 상기 기계장치의 상태를 분류하고, 상기 측정데이터에 대하여 데이터필터링을 하여 상기 측정데이터에 대한 전처리를 수행하는 전처리부; 상기 전처리부에서 전처리된 상기 측정데이터로부터 상기 기계장치의 상태를 진단하는 연산부; 및 상기 연산부에서 상기 기계장치에 대하여 진단된 고장상태에 대한 진단결과가 적절한지 여부를 판별하는 검증부;를 포함하는 것을 하나의 특징으로 할 수도 있다.
여기서, 상기 연산부는, 상기 기계장치의 고장여부를 판단할 수 있도록 학습된 고장검출진단모델에 따라 상기 측정데이터로부터 상기 기계장치의 고장상태를 진단하는 것을 또 하나의 특징으로 할 수도 있다.
여기서, 상기 전처리부는, 상기 입력부로부터 전달받은 상기 측정데이터에 대하여 상기 데이터필터링을 한 후 정규화처리를 하는 것을 또 하나의 특징으로 할 수도 있다.
여기서, 상기 검증부는, 상기 기계장치에 대하여 진단된 고장상태에 대한 진단결과가 부적절한 것으로 판단된 경우 상기 고장검출진단모델에 대한 보정을 요청하는 것을 또 하나의 특징으로 할 수도 있다.
여기서, 상기 기계장치에 대하여 진단된 상태에 대한 정의가 없는 경우 관리자로부터 정의를 입력받아서 상기 고장검출진단모델에 업데이트하는 피드백부;를 더 포함하는 것을 또 하나의 특징으로 할 수도 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 고장검출 진단방법은, 고장검출 진단시스템이 하나 또는 다수의 기계장치의 상태에 대한 측정데이터를 입력받는 입력단계; 상기 입력단계에서 입력받은 상기 측정데이터를 토대로 상기 기계장치의 상태를 분류하고, 상기 측정데이터에 대하여 데이터필터링을 하여, 상기 측정데이터에 대한 전처리를 수행하는 전처리단계; 상기 전처리단계에서 전처리된 상기 측정데이터로부터 상기 기계장치의 상태를 진단하는 연산단계; 및 상기 연산부에서 상기 기계장치에 대하여 진단된 고장상태에 대한 진단결과가 적절한지 여부를 판별하는 검증단계;를 포함하는 것을 하나의 특징으로 할 수도 있다.
여기서, 상기 연산단계에서, 상기 기계장치의 고장여부를 판단할 수 있도록 학습된 고장검출진단모델에 따라 상기 측정데이터로부터 상기 기계장치의 고장상태를 진단하는 것을 또 하나의 특징으로 할 수도 있다.
여기서, 상기 전처리단계에서, 상기 입력단계에서 입력된 상기 측정데이터에 대하여 상기 데이터필터링을 한 후 상기 측정데이터에 대하여 정규화처리를 하는 것을 또 하나의 특징으로 할 수도 있다.
여기서, 상기 검증단계에서, 상기 기계장치에 대하여 진단된 고장상태에 대한 진단결과가 부적절한 것으로 판단된 경우상기 고장검출진단모델에 대한 보정을 요청하는 것을 또 하나의 특징으로 할 수도 있다.
여기서, 상기 기계장치에 대하여 진단된 상태에 대한 정의가 없는 경우 관리자로부터 정의를 입력받아서 상기 고장검출진단모델에 업데이트하는 피드백단계;를 더 포함하는 것을 또 하나의 특징으로 할 수도 있다.
본 발명의 실시 예에 따른 고장검출 진단시스템 및 진단방법은, 기계장치에서 고장의 발생여부를 검출하고 정확히 진단하여 기계장치에 대한 관리의 효율성을 증진시켜주는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 고장검출 진단시스템과 다수의 기계장치를 개략적으로 나타낸 개념도이다.
도 2는 본 발명의 실시 예에 따른 고장검출 진단시스템을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 실시 예에 따른 고장검출 진단시스템을 이용하여 기계장치에 대한 고장검출 및 진단방법을 개략적으로 나타낸 순서도이다.
도 4는 본 발명의 실시 예에 따른 고장검출 진단시스템에서, 고장검출 및 진단을 위한 고장검출진단모델의 생성과정을 개략적으로 나타낸 순서도이다.
도 5는 본 발명의 실시 예에 따른 고장검출 진단시스템에서, 연산부 트레이닝과정을 개략적으로 나타낸 순서도이다.
이하에서는 본 발명에 대하여 보다 구체적으로 이해할 수 있도록 첨부된 도면을 참조한 바람직한 실시 예를 들어 설명하기로 한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시 예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 실시 예에 따른 고장검출 진단시스템과 다수의 기계장치를 개략적으로 나타낸 개념도이고, 도 2는 본 발명의 실시 예에 따른 고장검출 진단시스템을 개략적으로 나타낸 블록도이다.
도 1에서 참조되는 바와 같이, 하나 또는 다수의 기계장치(10)에 대하여 고장을 검출하고 진단할 수 있도록 하나 또는 다수의 기계장치(10)와 고장검출 진단시스템(100)은 전기적신호를 송수신할 수 있도록 연결되어 있다.
각 기계장치(10)에는 각 기계장치의 상태를 검출하기 위하여 각종 센서가 장착되어 있으며, 이 센서에 의해 수집되는 측정데이터는 고장검출 진단시스템(100)으로 전달되어 입력부(110)로 입력된다.
도 2에서 참조되는 바와 같이, 본 발명의 실시 예에 따른 고장검출진단시스템은 입력부, 전처리부, 연산부 및 검증부를 포함하며, 여기에 피드백부를 더 포함할 수 있다.
입력부(110)는 하나 또는 다수의 기계장치(10)로부터 고장의 발생여부를 진단하기 위한 측정데이터를 입력받는다. 측정데이터를 입력받기 위하여, 기계장치(10)의 부품에 측정데이터를 얻기위한 센서가 부착되어 있을 수 있다.
따라서, 기계장치(10)에 부착된 센서에서 측정하여 얻어지는 측정데이터를 입력부(110)가 입력받는다. 이러한 측정데이터에는 기계장치 또는 부품의 진동 또는 진동주파수가 포함될 수 있다.
입력부(110)로 입력된 측정데이터는 고장검출 및 진단을 위한 전처리가 이루어지도록 전처리부(120)로 전달된다.
전처리부(120)에서는 입력부(110)로 입력되어 전달받은 측정데이터를 토대로 하여 기계장의 상태를 분류하고, 측정데이터에 대한 전처리를 수행한다.
즉, 전처리부(120)는 입력부(110)로 입력된 측정데이터로부터 기계장치(10)의 상태가 대기상태, 정상운전상태 또는 비정상운전상태인지를 판별한다. 여기서 기계장치의 상태가 정상운전상태인지 비정상운전상태인지 여부는 측정데이터의 변화율 또는 기준치에 비하여 측정데이터값이 큰지 작은지에 따라 판단할 수 있다.
기계장치(10)가 정상운전상태인지 여부의 판단은 다음의 식에 따라 이루어질 수 있다.
Figure 112020076359411-pat00001
Figure 112020076359411-pat00002
여기서,
Figure 112020076359411-pat00003
이다.
그리고,
Figure 112020076359411-pat00004
,
Figure 112020076359411-pat00005
이고, 여기서,
Figure 112020076359411-pat00006
: 시간
Figure 112020076359411-pat00007
일 때의 기울기이다.
Figure 112020076359411-pat00008
는 시간 k 일 때의 기준변수 j 의 기울기,
Figure 112020076359411-pat00009
는 시간 i일 때 기준변수 j 의 값,
Figure 112020076359411-pat00010
는 시간 k일 때 기준 변수 j의 데이터참조구간, L은 데이터참조구간의 길이를 의미한다.
L은 예를 들어 5 분으로 설정되었으며, 이는 총 5분간의 데이터에 대한 변화율을 활용해 현재 데이터와 정상상태(steady-state) 여부를 판단한다는 것을 의미한다.
이와 같이 전처리부(120)는 측정데이터에 대하여 데이터필터링을 한 후 정규화(Normalize)처리를 한다.
여기서 정규화(Standardization)처리는 다음의 식을 이용하여 이루어질 수 있다.
Figure 112020076359411-pat00011
Figure 112020076359411-pat00012
Figure 112020076359411-pat00013
전처리부(120)에서 이와 같이 정규화된 측정데이터는 연산부(130)으로 전달된다.
연산부(130)는 전처리부(120)에서 전처리된 측정데이터로부터 고장검출진단모델(Failure Detection and Diagnosis Model, 이하 간략히 FDD모델이라 함)에 따라 고장여부를 진단한다. 연산부(130)에서는 전처리된 측정데이터로부터 기계장치의 고장여부를 진단하기 위하여 FDD모델을 이용할 수 있다.
검증부(140)는 연산부(130)에서 도출된 고장여부에 대한 진단결과가 적절한지 여부를 판별하는 검증을 한다. 여기서, 검증부(140)는 기계장치에 대하여 진단된 고장상태에 대한 진단결과가 부적절한 것으로 판단된 경우 고장검출진단모델에 대한 보정을 요청할 수 있다.
이러한 검증부(140)에 대한 좀 더 자세한 설명은 후술할 고장검출 진단방법의 설명에서 참조될 수 있다.
피드백부(150)는 기계장치에 대하여 진단된 상태에 대한 정의가 없는 경우 관리자로부터 정의를 입력받아서(labelling) 고장검출진단모델에 업데이트를 한다.
피드백부(150)의 업데이트를 통해 고장검출진단모델은 다양한 고장상태에 대한 학습을 하게 된다.
그리고, 연산부(130)에서 진단한 결과 또는 검증부(140)에서 진단결과가 적절한지 여부를 판변하는 검증결과를 사용자 또는 관리자가 확인할 수 있도록 출력하는 출력부가 더 포함된 것도 충분히 가능하다.
이와 같은 고장검출 진단시스템을 이용한 고장검출 진단방법에 대한 설명을 통해 좀 더 이해될 수 있다.
도 3은 본 발명의 실시 예에 따른 고장검출 진단시스템을 이용한 고장검출 진단방법을 개략적으로 나타낸 순서도이다. 도 3을 더 참조하면 본 발명의 실시 예에 따른 고장검출 진단시스템은 입력단계, 전처리단계, 연산단계 및 검증단계를 포함하며, 검증된 결과에 따라 피드백 단계를 더 포함할 수 있다.
입력단계(S110)에서는 기계장치에 대한 측정데이터가 입력된다. 즉, 고장검출 진단시스템(100)이 기계장치(10)에 부착된 센서로부터 얻어진 측정데이터를 입력부(110)를 통해 입력받는다. 여기서, 측정데이터에는 기계장치(10)의 진동 또는 진동주파수가 포함될 수 있다.
그리고 하나 또는 다수의 기계장치(10) 각각으로부터 얻어지는 측정데이터를 입력부(110)를 통해 입력받을 수 있다. 설명과 이해의 편의를 위해 본 실시 예에서는 기계장치가 하나인 경우를 예로 들어 설명한다.
전처리단계(S121, S123, S125)에서는, 전처리부(120)가 입력단계(S110)에서 입력받은 측정데이터를 필터링한다(S121). 그리고 기계장치(10)가 대기상태, 정상운전상태 또는 비정상운전상태인지 여부를 판별한다. 기계장치(10)가 대기상태, 정상운전상태 또는 비정상운전상태인지 여부에 대한 판별은 측정데이터의 변화율을 기준으로 하여 이상상태인지 여부를 판별할 수 있으며, 다음의 식을 이용하여 판별한다.
판별은 다음의 식에 따라 이루어질 수 있다.
Figure 112020076359411-pat00014
Figure 112020076359411-pat00015
여기서,
Figure 112020076359411-pat00016
이다.
그리고,
Figure 112020076359411-pat00017
,
Figure 112020076359411-pat00018
이다.
여기서,
Figure 112020076359411-pat00019
: 시간
Figure 112020076359411-pat00020
일 때의 기울기이고,
Figure 112020076359411-pat00021
는 시간 k 일 때의 기준변수 j 의 기울기,
Figure 112020076359411-pat00022
는 시간 i일 때 기준변수 j 의 값,
Figure 112020076359411-pat00023
는 시간 k일 때 기준 변수 j의 데이터참조구간, L은 데이터참조구간의 길이를 의미한다.
L은 예를 들어 5 분으로 설정되었으며, 이는 총 5분간의 데이터에 대한 변화율을 활용해 현재 데이터와 정상상태(steady-state) 여부를 판단한다는 것을 의미한다.
전처리부(120)는 측정데이터 필터링(S121)을 한 후에 정규화(S123)를 한다.
정규화(Standardization)(S123)는 다음의 식을 이용하여 이루어질 수 있다.
Figure 112020076359411-pat00024
Figure 112020076359411-pat00025
Figure 112020076359411-pat00026
이와 같이, 필터링된 측정데이터를 정규화하고(S123) 측정데이터를 연산부(130)로 전달한다(S125).
연산부(130)에서는 전처리된 측정데이터로부터 기계장치의 고장여부를 진단하기 위하여 FDD모델을 이용한다. FDD모델은 고장을 분류하는 분류부(Classifier(X->Y`)와 측정데이터인 입력변수 X에 대해 분류기가 정상적인 성능을 발휘할 수 있는지 신뢰도를 추론하는 SAE(Supervised Auto Encorder)(X->X`)기반의 신뢰도 추정부로 구성된다. 현장시공 또는 TAB(Testing, Adjusting, Balancing)과정 및 운영상황에서 취득될 수 있는 정상상태시의 운영데이터값과, 미리 정의된 고장상황에서의 운영데이터 값을 바탕으로 데이터 학습 기반의 초기FDD(Fault Detection and Diagnosis)모델을 생성한다.
여기서 잠시 도 4를 참조하여 최초FDD모델에 대하여 설명하기로 한다.
도 4는 본 발명의 실시 예에 따른 고장검출 진단시스템에서, 고장검출 및 진단을 위한 고장검출진단모델의 생성과정을 개략적으로 나타낸 순서도이다.
도 4에서 참조되는 바와 같이, 정상작동상태(Normal operation)와 고장상태를 시뮬레이션하여 초기 데이터값을 얻는다(MS110). 그리고 데이터필터링을 수행한다(MS120). 여기서 데이터필터링을 수행하는 것(MS120)은 앞서 도 3을 참조하여 언급한 전처리단계에서의 데이터필터링(S121)의 방법과 대동소이하다.
그리고 데이터필터링을 수행(MS120)한 후 정규화(MS130)를 수행한다. 여기서 정규화(MS130)의 방법 또한 앞서 언급한 전처리단계에서의 정규화(S123)의 방법과 대동소이하다. 필터링된 데이터에 대하여 정규화(MS130)를 수행한 후 데이터베이스에 저장하고(MS140), 연산부를 트레이닝한다(MS150). 여기서, 도 5는 본 발명의 실시 예에 따른 고장검출 진단시스템에서, 연산부 트레이닝과정을 개략적으로 나타낸 순서도이며, 도 5에서 참조되는 바와 같이 연산부트레이닝이 이루어질 수 있다.
연산부트레이닝(MS150)을 하기 위하여 도 5에서 참조되는 바와 같이 신경망을 초기화한다(TS110). 그리고 학습을 위한 첫 번째 주기(epoch)(TS120)로 훈련셋의 측정데이터인 입력변수(X)를 입력하고(TS130), 재건된(reconstructed)입력변수(X`)를 도출하고(TS141), 예측라벨(Y`)을 도출한다(TS143). 도출된 입력변수(X`)를 이용하여
Figure 112020076359411-pat00027
를 얻고(TS151), 예측라벨(Y`)을 이용하여
Figure 112020076359411-pat00028
를 얻는다(TS153). 그리고, 전체적인 로스(loss)는
Figure 112020076359411-pat00029
으로써 얻는다(TS160).
그리고 조기종료조건을 충족하는지 여부를 판단(TS170)한 결과 충족한 것으로 판단되면 트레이닝을 종료하고, 충족되지 못한 것으로 판단되면 웨이트(weight)와 바이어스(biases)를 업데이트(TS180)하고 다음 번째 주기(epoch=epoch+1)로서 훈련셋입력변수(X)를 입력하는 것부터 다시 반복적으로 수행한다.
이와 같이 연산부트레이닝(MS150)을 수행하고, 임계값을 셋팅(Threshold setting)(MS160)하여 초기 FDD모델을 생성할 수 있다.
이와 같이 생성된 데이터 학습 기반의 초기FDD모델을 이용하여, 연산부(130)는 도 3에서 참조되는 바와 같이, 전처리단계에서 정규화된 측정데이터를 입력받고(S125), 특징을 추출(S131)한다. 그리고, 예측라벨(Y`)을 도출하고(S1331), 재건입력변수(reconstructed inputs)를 도출하고(S1333), 재건에러(reconstruction error;
Figure 112020076359411-pat00030
)을 도출한다(S1335). 이와 같이 도출하여 연산부(130)는 예측라벨 Y'과 재건에러(
Figure 112020076359411-pat00031
)를 얻는다(S131).
이처럼, FDD모델을 통한 고장상태의 판단은, 최초 생성된 FDD모델에 기계장치(10)에서 취득된 측정데이터와 같이 입력부(110)로 입력받아 실시간 취득된 입력변수(X)를 입력하면, 분류기에서는 사전 학습된 복수의 고장상태(고장 1, 고장2, 고장3, 고장4), 정상운전상태(즉, 고장없음), 운전 및 시동상태값(이상치) 중 하나를 선택하여 출력부(160)를 통해 출력할 수 있다. 이와 동시에 입력변수(X)의 재건오차값을 RMSE(X, X')로 출력한다.
여기서, 재건오차값(RMSE (X, X'))은 실시간 모니터링 된 기계장치(10)의 현재상태값(X)에 대해서, 구축된 현재의 FDD모델이 유의미한 추론을 할 수 있는지를 판별하기 위해 도출되는 값이다.
이와 같이 도출된 재건오차(RMSE(X,X')를 바탕으로 하여 검증부(140)는 고장검출 및 진단결과의 적합성 판단(S141)은 최초 고장판단에서 도출된 결과에 대해서 (Y,X) 재건오차(RMSE(X,X'))가 사전에 설정된 임계값(threshold) 이하일 경우 최초 도출된 진단결과(Predicted Label)의 값이 신뢰할 수 있음으로 판단하고(S151), 진단결과를 출력 또는 데이터베이스에 저장한다(S163).
재건오차값이 임계값 이상일 경우(S141), 최초생성된 FDD모델으로는 현재의 입력값에 대한 고장내용을 충분히 파악할 수 없는 "정의되지 않은(undefined state)" 상태로 판단(S153)하여 출력하고, 피드백을 위해 입력값(X)과 재건오차값을 데이베이스화(S163)하는 피드백부(150)로 전송하게 된다.
여기서, 임계값의 계산 및 설정에 관해 설명하자면, 임계값 산출 및 설정은 다음과 같이 이루어질 수 있다.
정의되지 않은 상태(undefined state)를 탐색하기 위한 임계값은 3-시그마룰(three-sigma rule)을 통해 설정될 수 있다. 임계값은 훈련셋에 대한 재건오차를 바탕으로 아래 식과 같이 설정될 수 있다. 이는 학습데이터베이스가 업데이트될 경우 그에 맞게 임계값이 조절되도록 한다.
Figure 112020076359411-pat00032
Figure 112020076359411-pat00033
Figure 112020076359411-pat00034
여기서 임계값(Threshold)은 재건오차값의 인정 범위,
Figure 112020076359411-pat00035
는 훈련셋 재건오차의 평균, 視 는 훈련셋 재건오차의 표준편차,
Figure 112020076359411-pat00036
는 훈련셋의 i번째 데이터의 재건 오차이다.
그리고, 정의되지 않은 고장에 대한 처리는 다음과 같이 이루어질 수 있다.
피드백부(150)로 전송된 정의되지 않은 상태에 대한 입력값과 재건오차를 바탕으로 온라인/오프라인으로 관리자에 의해 고장상태의 정의 즉, 정의되지 않은 상태에 대한 라벨링(labelling)이 이루어질 수 있다(S161). 따라서, 새롭게 정의되어 라벨링된 데이터가 발생하면, 피드백부(150)는 이를 최초 FDD모델에 반영함으로써(MS140, 도 4 참조) 향후 동일한 고장이 발생할 경우를 대비할 수 있다.
이와 같이 본 발명에 따른 고장검출 진단시스템 및 진단방법은 건축물설비시스템, 공기조화시스템 또는 스마트공장과 같이 다양한 기계장치가 설치되어 있는 현장에서 사전적으로 정의되기 어려운 고장을 사전에 검출하여 공장 운영 및 유지보수비용을 절감시키는 데 도움이 된다.
이상에서 설명한 바와 같이, 본 발명에 따른 고장검출 진단시스템 및 진단방법에 따르면, 기계장치의 고장 발생여부를 검출하고 정확히 진단하여 기계장치에 대한 관리의 효율성을 증진시켜줄 수 있는 장점이 있다.
이상에서 설명된 바와 같이, 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시 예들에 의해서 이루어졌지만, 상술한 실시 예들은 본 발명의 바람직한 실시 예를 들어 설명하였을 뿐이기 때문에, 본 발명이 상기의 실시 예에만 국한되는 것으로 이해되어져서는 아니되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 등가개념으로 이해되어져야 할 것이다.
10 : 기계장치 100 : 고장검출 진단시스템
110 : 입력부 120 : 전처리부
130 : 연산부 140 : 검증부
150 : 피드백부

Claims (10)

  1. 소정의 기계장치로부터 고장여부를 진단하기 위한 측정데이터를 입력받는 입력부;
    상기 입력부로 입력된 상기 측정데이터를 토대로 상기 기계장치의 상태를 분류하고, 상기 측정데이터에 대한 데이터필터링을 하여 상기 측정데이터에 대한 전처리를 수행하는 전처리부;
    상기 전처리부에서 전처리된 상기 측정데이터로부터 상기 기계장치의 상태를 진단하는 연산부; 및
    상기 연산부에서 상기 기계장치에 대하여 진단된 고장상태에 대한 재건오차값이 임계값 이하인 경우 상기 고장상태에 대한 진단결과가 신뢰할 수 있음으로 판단하고, 상기 재건오차값이 상기 임계값보다 큰 경우 상기 기계장치의 고장상태를 정의되지 않은 상태로 판단하는 검증부; 및
    상기 연산부에서 진단한 상기 진단결과 또는 상기 검증부에서 상기 진단결과에 대한 검증결과를 출력하는 출력부; 및
    상기 기계장치에 대하여 진단된 고장상태에 대한 정의가 없는 경우 관리자로부터 정의를 입력받아서 고장검출진단모델에 업데이트하는 피드백부;를 포함하고,
    상기 검증부는,
    상기 기계장치에 대하여 진단된 고장상태에 대한 정의가 없는 경우 상기 고장검출진단모델에 대한 보정을 요청하는 것을 특징으로 하는 고장검출 진단시스템.
  2. 제 1항에 있어서,
    상기 연산부는,
    상기 기계장치의 고장여부를 판단할 수 있도록 학습된 고장검출진단모델에 따라 상기 측정데이터로부터 상기 기계장치의 고장상태를 진단하는 것을 특징으로 하는 고장검출 진단시스템.
  3. 제 2항에 있어서,
    상기 전처리부는,
    상기 입력부로부터 전달받은 상기 측정데이터에 대하여 상기 데이터필터링을 한 후 정규화처리를 하는 것을 특징으로 하는 고장검출 진단시스템.
  4. 삭제
  5. 삭제
  6. 고장검출 진단시스템이 하나 또는 다수의 기계장치의 상태에 대한 측정데이터를 입력받는 입력단계;
    상기 입력단계에서 입력받은 상기 측정데이터를 토대로 상기 기계장치의 상태를 분류하고, 상기 측정데이터에 대하여 데이터필터링을 하여 상기 측정데이터에 대한 전처리를 수행하는 전처리단계;
    상기 전처리단계에서 전처리된 상기 측정데이터로부터 상기 기계장치의 상태를 진단하는 연산단계; 및
    상기 연산단계에서 상기 기계장치에 대하여 진단된 고장상태에 대한 재건오차값이 임계값 이하인 경우 상기 고장상태에 대한 진단결과가 신뢰할 수 있음으로 판단하고, 상기 재건오차값이 상기 임계값보다 큰 경우 상기 기계장치의 고장상태를 정의되지 않은 상태로 판단하고,
    상기 진단결과 또는 상기 진단결과에 대한 검증결과를 출력하는 검증단계; 및
    상기 기계장치에 대하여 진단된 고장상태에 대한 정의가 없는 경우 관리자로부터 정의를 입력받아서 고장검출진단모델에 업데이트하는 피드백단계;를 포함하고,
    상기 검증단계에서,
    상기 기계장치에 대하여 진단된 고장상태에 대한 정의가 없는 경우 상기 고장검출진단모델에 대한 보정을 요청하는 것을 특징으로 하는, 고장검출 진단방법.
  7. 제 6항에 있어서,
    상기 연산단계에서,
    상기 기계장치의 고장여부를 판단할 수 있도록 학습된 고장검출진단모델에 따라 상기 측정데이터로부터 상기 기계장치의 고장상태를 진단하는 것을 특징으로 하는 고장검출 진단방법.
  8. 제 7항에 있어서,
    상기 전처리단계에서,
    상기 입력단계에서 입력된 상기 측정데이터에 대하여 상기 데이터필터링을 한 후 상기 측정데이터에 대하여 정규화처리를 하는 것을 특징으로 하는 고장검출 진단방법.
  9. 삭제
  10. 삭제
KR1020200090756A 2020-07-22 2020-07-22 고장 검출 진단 시스템 및 진단방법 KR102182226B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090756A KR102182226B1 (ko) 2020-07-22 2020-07-22 고장 검출 진단 시스템 및 진단방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090756A KR102182226B1 (ko) 2020-07-22 2020-07-22 고장 검출 진단 시스템 및 진단방법

Publications (1)

Publication Number Publication Date
KR102182226B1 true KR102182226B1 (ko) 2020-11-24

Family

ID=73679841

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090756A KR102182226B1 (ko) 2020-07-22 2020-07-22 고장 검출 진단 시스템 및 진단방법

Country Status (1)

Country Link
KR (1) KR102182226B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867306A (zh) * 2021-07-30 2021-12-31 西安建筑科技大学 一种地铁站厅空调系统故障检测方法及系统
KR102523458B1 (ko) * 2022-09-27 2023-04-19 주식회사 에이아이비즈 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR20240002786A (ko) * 2022-06-30 2024-01-08 주식회사 스카이칩스 정규화 알고리즘에 기반하여 차량 내 모터의 고장 여부를 판단하는 방법 및 그를 이용한 시스템
KR102676859B1 (ko) * 2023-06-07 2024-06-24 주식회사 크로커스 모터 관리 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090000592A (ko) * 2007-03-02 2009-01-08 세메스 주식회사 설비의 고장 진단 시스템 및 그 방법
KR20140055311A (ko) * 2012-10-31 2014-05-09 삼성에스디에스 주식회사 상태 진단 시스템 및 방법
KR20170066143A (ko) * 2015-12-05 2017-06-14 두산중공업 주식회사 진단 규칙에 기반한 진단 장치
KR20170125265A (ko) * 2016-05-04 2017-11-14 두산중공업 주식회사 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR101995311B1 (ko) 2018-05-29 2019-09-24 경상대학교산학협력단 공조 시스템의 고장 진단 장치 및 진단 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090000592A (ko) * 2007-03-02 2009-01-08 세메스 주식회사 설비의 고장 진단 시스템 및 그 방법
KR20140055311A (ko) * 2012-10-31 2014-05-09 삼성에스디에스 주식회사 상태 진단 시스템 및 방법
KR20170066143A (ko) * 2015-12-05 2017-06-14 두산중공업 주식회사 진단 규칙에 기반한 진단 장치
KR20170125265A (ko) * 2016-05-04 2017-11-14 두산중공업 주식회사 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR101995311B1 (ko) 2018-05-29 2019-09-24 경상대학교산학협력단 공조 시스템의 고장 진단 장치 및 진단 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867306A (zh) * 2021-07-30 2021-12-31 西安建筑科技大学 一种地铁站厅空调系统故障检测方法及系统
KR20240002786A (ko) * 2022-06-30 2024-01-08 주식회사 스카이칩스 정규화 알고리즘에 기반하여 차량 내 모터의 고장 여부를 판단하는 방법 및 그를 이용한 시스템
KR102703308B1 (ko) 2022-06-30 2024-09-05 주식회사 스카이칩스 정규화 알고리즘에 기반하여 차량 내 모터의 고장 여부를 판단하는 방법 및 그를 이용한 시스템
KR102523458B1 (ko) * 2022-09-27 2023-04-19 주식회사 에이아이비즈 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR102676859B1 (ko) * 2023-06-07 2024-06-24 주식회사 크로커스 모터 관리 장치

Similar Documents

Publication Publication Date Title
KR102182226B1 (ko) 고장 검출 진단 시스템 및 진단방법
JP5306902B2 (ja) 資産システムの高性能条件監視のためのシステムおよび方法
US6898554B2 (en) Fault detection in a physical system
KR102444442B1 (ko) 설비 고장 진단 장치 및 방법
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
US20240069539A1 (en) Sensor-agnostic mechanical machine fault identification
EP3183622B1 (en) Population-based learning with deep belief networks
CN108490923B (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
US20240112031A1 (en) Vibrating Machine Automated Diagnosis with Supervised Learning
KR101843365B1 (ko) 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스
Jiang Sensor Fault Detection and Isolation Using System Dynamics Identification Techniques.
US20060047512A1 (en) System, device, and methods for updating system-monitoring models
Shui et al. Review of fault diagnosis in control systems
WO2022059720A1 (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
US20180087489A1 (en) Method for windmill farm monitoring
RU2795745C1 (ru) Независимая от датчика идентификация неисправности механического станка
US20240281313A1 (en) System for analyzing abnormal data and operating method thereof
CN117132266B (zh) 一种基于区块链的汽车服务安全保障方法及系统
CN117291094B (zh) 基于关联参数映射的无人机动力系统参数异常检测方法
CN113447273B (zh) 基于交叉验证的燃气轮机传感器及执行机构故障检测方法
Gaura et al. Intelligent sensing: Neural Network based health diagnosis for sensor arrays
US20240241806A1 (en) Estimation of a diagnosis of a physical system by predicting fault indicators by machine learning
KR20240078377A (ko) 차량의 원격 건전성 관리를 수행하는 장치 및 방법
Xu et al. Sensor validation using nonlinear minor component analysis
Xu et al. Aero Engine Remaining Useful Life Prediction: A Survey

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Publication of correction
G170 Publication of correction