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

KR20190081933A - 제조 설비의 이상 감지 및 진단 방법 - Google Patents

제조 설비의 이상 감지 및 진단 방법 Download PDF

Info

Publication number
KR20190081933A
KR20190081933A KR1020170184807A KR20170184807A KR20190081933A KR 20190081933 A KR20190081933 A KR 20190081933A KR 1020170184807 A KR1020170184807 A KR 1020170184807A KR 20170184807 A KR20170184807 A KR 20170184807A KR 20190081933 A KR20190081933 A KR 20190081933A
Authority
KR
South Korea
Prior art keywords
manufacturing facility
feature data
health index
spectral feature
abnormality
Prior art date
Application number
KR1020170184807A
Other languages
English (en)
Other versions
KR102040179B1 (ko
Inventor
김현진
나혁준
전경식
최운규
Original Assignee
주식회사 비스텔
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 주식회사 비스텔 filed Critical 주식회사 비스텔
Priority to KR1020170184807A priority Critical patent/KR102040179B1/ko
Publication of KR20190081933A publication Critical patent/KR20190081933A/ko
Application granted granted Critical
Publication of KR102040179B1 publication Critical patent/KR102040179B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
    • G01D1/02—Measuring arrangements giving results other than momentary value of variable, of general application giving mean values, e.g. root means square values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
    • G01D1/18—Measuring arrangements giving results other than momentary value of variable, of general application with arrangements for signalling that a predetermined value of an unspecified parameter has been exceeded
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 기술적 사상에 의한 제조 설비의 이상 감지 및 진단 방법은 제조 설비의 상태를 정확하게 감지하고 진단할 수 있는 제조 설비의 이상 감지 및 진단 방법을 제공한다. 그 제조 설비의 이상 감지 방법은 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징(spectrum feature) 데이터를 추출하는 단계; 상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계; 상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계; 및 감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계; 상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 및 상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계;를 포함한다.

Description

제조 설비의 이상 감지 및 진단 방법{Method for sensing and diagnosing abnormality of manufacture equipment}
본 발명의 기술적 사상은 제조 설비에 관한 것으로, 특히 제조 설비의 이상을 감지하는 방법에 관한 것이다.
제조업에서 제조 설비의 갑작스러운 중단 상태는 상당히 큰 경제적 손실을 발생시킬 수 있다. 현장에서는 이러한 문제를 예방하기 위해서, 설비 상태를 미리 파악하여 설비에 고장이 발생하기 이전에 예방 수리를 진행할 필요가 있다. 일반적으로 설비의 물리적인 모델을 정확하게 알고 있다면, 물리적인 모델을 이용하여 장기적인 손상에 대한 관측 및 감시가 가능할 수 있다. 그러나 물리적인 설계 및 모델이 동일할지라도 제조 상황에 맞추어 각기 다른 조건 및 상태에서 운영하게 될 경우, 설비의 손상 상태 및 손상의 진행속도 등이 달라질 수 있다. 예컨대, 회전 설비의 경우, 회전 설비의 상태가 변함에 따라 진동이 서서히 변하게 되고, 회전 설비에 이상이 발생할 시 진동 신호의 크기 또는 특성이 크게 변하게 된다. 따라서, 일반적으로 회전 설비의 진동 신호 크기 또는 특성을 감시함으로써, 회전 설비의 이상 유무를 판단할 수 있다. 그러나 회전 설비의 다른 조건 및 상태에 따라 진동 신호의 변화 정도가 달라져, 진동 신호만으로 회전 설비 전체의 상태를 정확하게 파악하는 데에는 한계가 있다.
본 발명의 기술적 사상이 해결하고자 하는 과제는, 제조 설비의 상태를 정확하게 감지하고 진단할 수 있는 제조 설비의 이상 감지 및 진단 방법을 제공하는 데에 있다.
상기 과제를 해결하기 위하여, 본 발명의 기술적 사상은, 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징(spectrum feature) 데이터를 추출하는 단계; 상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계; 상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계; 및 감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계; 상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 및 상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계;를 포함하는 제조 설비의 이상 감지 방법을 제공한다.
본 발명의 일 실시예에 있어서, 상기 제조 설비는 회전 설비이고, 상기 제1 또는 제2 스펙트럼 특징 데이터를 추출하는 단계는, 시간 영역에서 측정된 상기 회전 설비에 대한 측정치들을 FFT(Fast Fourier Transform) 변환하는 단계; 및 상기 회전 설비의 기계 부품별 주파수 대역에서 실효치(Root Mean Square: RMS)를 상기 제1 또는 제2 스펙트럼 특징 데이터로서 추출하는 단계;를 포함하고, 상기 주파수 대역은 기본 성분(fundamental component) 및 조화 성분들(harmonic components) 중 적어도 하나의 주파수 대역을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 제1 건전성 지수를 산출하는 단계는, 상기 제조 설비의 측정치들에 대응하는 상기 스펙트럼 특징 데이터들에 대한 주성분 분석(Principal Component Analysis)을 통해 주성분의 개수를 선택하는 단계; 상기 주성분의 개수에 따라, 적재값(loading)을 이용하여 측정치들에 대한 주성분 점수를 계산하는 단계; 및 측정치들의 상기 주성분 점수에 대하여 마할라노비스 거리(Mahalanobis distance)를 계산하여 상기 제1 건전성 지수로 결정하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 관리 한계선을 설정하는 단계에서, 상기 관리 한계선은, 복수 개의 상기 제1 건전성 지수를 이용하여 붓스트랩(bootstrap) 기법으로 생성할 수 있다.
또한, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징 데이터를 추출하는 단계; 상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계; 상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계; 감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계; 상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계; 및 상기 제조 설비에 이상이 발생한 것으로 판단된 경우에, 상기 제조 설비의 어느 부분에서 이상이 발생한 것인지 진단하는 단계;를 포함하는 제조 설비의 이상 진단 방법을 제공한다.
본 발명의 일 실시예에 있어서, 상기 이상이 발생한 것인지 진단하는 단계에서, 상기 제2 건전성 지수에 영향을 미치는 성분들에 대한 기여도를 산출하여 진단할 수 있다.
본 발명의 기술적 사상에 의한 제조 설비의 이상 감지 방법은 제조 설비, 예컨대 회전 설비의 여러 위치에서 수집되는 진동 관련 데이터, 및 그에 따른 스펙트럼 특성 데이터를 이용하여, 건전성 지수(Health Index)와 관리 한계선 획득하고, 회전 설비의 건전성 지수의 변화를 실시간으로 감시함으로써, 회전 설비의 이상 징후를 정확하게 포착할 수 있다.
또한, 본 발명의 기술적 사상에 의한 제조 설비의 이상 진단 방법은 건전성 지수 변화에 영향을 준 기여도 분석을 통하여 설비의 이상 발생 위치의 포착 및 그 원인을 진단함으로써, 제조 공장에서 사용되는 회전 설비의 예비적 유지 보수(Predictive Maintenance)를 매우 용이하고 신속하게 수행할 수 있도록 한다.
결과적으로, 본 발명의 기술적 사상에 의한 제조 설비의 이상 감지 및 진단 방법은 엔지니어가 관리해야 할 대상 설비가 많고 측정 센서가 많아서 업무 과부하로 인해 제때에 설비의 이상 상태를 진단하지 못하는 오류를 최소화하고, 시스템에 의한 일관성 있는 진단을 수행할 수 있으므로 엔지니어의 경험의 정도에 따른 변동성을 줄일 수 있다.
도 1은 본 발명의 일 실시예에 따른 제조 설비의 이상 감지 방법을 개략적으로 보여주는 흐름도이다.
도 2는 도 1의 제조 설비의 이상 감지 방법에서, 스펙트럼 특징 데이터를 추출하는 단계를 좀더 상세하게 보여주는 흐름도이다.
도 3은 도 1의 제조 설비의 이상 감지 방법에서, 건전성 지수를 산출하는 단계를 좀더 상세하게 보여주는 흐름도이다.
도 4는 도 1의 제조 설비의 이상 감지 방법에서, 관리 한계선을 설정하는 단계에서 이용하는 붓스트랩 기법을 설명하기 위한 개념도이다.
도 5는 본 발명의 일 실시예에 따른 제조 설비의 이상 진단 방법을 개략적으로 보여주는 흐름도이다.
도 6은 도 1 및 도 5의 제조 설비의 이상 감지 및 진단 방법을 개괄적으로 보여주는 도면이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 제조 설비의 이상 감지 방법을 개략적으로 보여주는 흐름도이고, 도 2는 도 1의 제조 설비의 이상 감지 방법에서, 스펙트럼 특징 데이터를 추출하는 단계를 좀더 상세하게 보여주는 흐름도이며, 도 3은 도 1의 제조 설비의 이상 감지 방법에서, 건전성 지수를 산출하는 단계를 좀더 상세하게 보여주는 흐름도이다.
도 1 내지 도 3을 참조하면, 정상 구간에서 제조 설비에 대한 스펙트럼 특징 데이터를 추출한다(S110). 설명의 편의를 위해 제조 설비들 중 회전 설비를 주로 예로 들어 설명한다. 그러나 본 실시예의 제조 설비의 이상 감지 방법이 회전 설비에 한정되는 것은 아니다. 여기서, 회전 설비는 회전력을 제공하는 기계 설비로서, 베어링(Bearing), 기어(Gear), 축(Shaft), 펌프(Pump) 등의 구성품(Component)을 포함할 수 있다. 한편, 정상 구간은 제조 설비가 정상적으로 동작하는 구간을 의미하며, 차후 건전성 지수를 산출하는 단계(S120)에서 좀더 상세히 설명한다.
회전 설비에 대한 스펙트럼 특징 데이터를 추출하는 과정을 도 2를 참조하여 설명하면 다음과 같다.
먼저, 회전 설비의 진동 관련 데이터를 추출한다(S112). 본 실시예의 제조 설비의 이상 감지 방법에서, 회전 설비의 진동 관련 데이터는 진동 속도(vibration velocity)와 진동 가속도(vibration acceleration)를 포함할 수 있다. 물론, 진동 관련 데이터가 진동 속도와 진동 가속도에 한정되는 것은 아니다. 좀더 구체적으로, 회전 설비에서는 여러 위치에 센서를 부착하여 진동(Vibration)을 측정할 수 있는데, 진동은 회전 설비의 정상과 비정상 상태를 진단하기 위한 중요한 정보로 사용될 수 있다. 일반적으로 회전 설비에서 기계 진동의 크기 또는 양의 평가를 위해 진동 변위, 진동 속도 및 진동 가속도가 측정 파라미터로 사용할 수 있다. 진동 속도는 시간의 변화에 따른 진동 변위의 변화율이고, 진동 가속도는 시간의 변화에 따른 진동 속도의 변화율을 의미할 수 있다.
다음, 진동 관련 데이터를 FFT(Fast Fourier Transform)하여, 스펙트럼 데이터를 산출한다(S114). 진동 속도와 진동 가속도 등의 진동 관련 데이터는 시간을 기반으로 하는 시간 영역(time domain) 데이터이고, FFT를 통해 얻어진 스펙트럼 데이터는 주파수를 기반으로 하는 주파수 영역(frequency domain) 데이터이다. 일반적으로, 진동 측정치들에 대한 시간 영역 분석과 주파수 영역 분석을 통해서 회전 설비에 대한 이상을 감시하고 진단하는 목적으로 활용할 수 있다.
회전 설비의 기계 부품별 주파수 대역을 설정한다(S116). 좀더 구체적으로 설명하면, 회전 설비의 이상 상태가 발생하면 진동의 폭이 증가하는 경향이 있고, 또한, 기계 부품별 진동 속도 및 진동 가속도에서도 변화가 발생하게 된다. 그에 따라, 진동 속도 및 진동 가속도를 디지털 FFT를 통해 주파수 영역 분석을 하면 기계 부품별에 대응하는 스펙트럼 데이터의 주파수 범위를 구별할 수 있다. 즉, 각각의 기계 부품으로부터 특징적으로 발생하는 결함 증상의 주파수들의 범위를 구별하여 기계 부품별 주파수 대역으로 설정할 수 있다.
예컨대, 불평형, 및/또는 정렬 불량 등에 의한 운전 주파수(1X)와 이의 조화 성분(2X, 3X 등), 깃 통과 주파수(VPF: Vane Passing Frequency), 외륜 결함 주파수(BPFO: Ball Pass Frequency of the Outer race), 내륜 결함 주파수(BPFI: Ball Pass Frequency of the Inner race), 및 이들의 2차 조화 성분(2VPF, 2BPFO, 2BPFI) 등, 그리고 구름 요소 베어링의 결함 주파수, 및 기어 맞물림 주파수(GMF: Gear Meshing Frequency) 등과 같이 특정 기계 부품별로 주파수 대역을 설정할 수 있다.
이후, 각각의 주파수 대역에서의 실효치(Root Mean Square: RMS)를 스펙트럼 특징 데이터로서 추출한다(S118). 본 실시예의 제조 설비의 이상 감지 방법에서는, 전술한 방법을 통해 획득한 스펙트럼 특징 데이터를 제조 설비의 이상을 판단하는데 바로 이용하지 않고, 이하에서 설명하는 바와 같이 제조 설비의 건전성 지수를 산출하는 데에 활용할 수 있다.
제조 설비에 대한 스펙트럼 특징 데이터를 추출 후, 스펙트럼 특징 데이터를 이용하여 제조 설비에 대한 건전성 지수를 산출한다(S120). 일반적으로 제조업에서 설비의 고장이 자주 발생하지 않기 때문에, 설비의 고장 시점을 기준으로 한 분석을 진행하기가 어렵다. 따라서, 설비의 건전성 지수 산출을 위한 모델의 생성에는 설비가 안정적으로 운영된 기간에서의 스펙트럼 특징 데이터만을 기준 정보로서 활용할 수 있다. 모델의 생성을 위한 기준 정보를 확인하기 위하여, 스펙트럼 특징 데이터의 추출을 진행하기 전에, 진동 속도나 진동 가속도의 측정 데이터를 확인하여, 설비 상태가 안전하다고 판단되는 일정 기간, 즉 설비의 정상 구간을 설정할 수 있다.
덧붙여, 만약 해당 설비의 사고 이력이 있다면, 설비의 정상 구간 데이터와 사고가 발생하기 직전의 구간 데이터의 특징을 비교 분석할 수 있다. 이때 차후에서 설명하는 주성분 분석을 통한 주성분 점수값(score)을 이용하여 정상 상태와 비정상 상태가 시각적으로 비교 가능하며, 주성분의 적재값(loading)을 이용하여, 비정상 상태가 주로 어떤 특징들과 상관성이 있는지 추가 분석도 가능할 수 있다.
제조 설비, 예컨대 회전 설비에 대한 건전성 지수를 추출하는 과정을 도 3을 참조하여 설명하면 다음과 같다.
먼저, 스펙트럼 특징 데이터에 대한 주성분 분석(Principal Component Analysis)을 한다(S122). 여기서, 스펙트럼 특징 데이터는 해당 회전 설비에서 여러 개의 센서로부터 측정된 진동 관련 데이터에 대한 스펙트럼 특징 데이터이고, 전술한 바와 같이 해당 회전 설비의 정상 구간에서 획득함으로써, 회전 설비의 정상 상태를 대표할 수 있다.
한편, 주성분 분석은 다양한 변수들에 대해 분석하는 소위 다변량(multivariate) 분석으로, 많은 변수들로부터 몇 개의 주성분들을 추출하는 방법을 말한다. 즉, 데이터 분석의 관점에서 주성분 분석은 차원 축소(dimension reduction)를 의미할 수 있다. 예컨대, 스펙트럼 특징 데이터가 p개의 변수로 대표되고, 데이터 크기가 정상 구간에서의 측정 횟수인 N 개일 때, 주성분 분석을 통해 p개 미만의 주성분으로 차원 축약되고, 각각의 주성분은 변수별 적재값(loading, 변수별로 적재된 정도)의 선형 결합으로 주어질 수 있다.
한편, 측정 센서별로 시간이 차이가 있을 경우, 시간을 기준으로 하여 데이터를 준비될 수 있다. 또한, 시간에 따라 결측치가 있을 경우, 적절히 대체하거나 해당 시간에 대한 데이터 행(row)을 제거하는 방법을 취할 수 있다. 또한, 변수들의 단위가 다를 경우, 변수별로 평균이 0이고, 분산이 1이 되도록 표준화 처리를 한 후 주성분 분석을 수행할 수 있다.
한편, 주성분 분석을 통해 주성분의 개수가 선택되는데, 예컨대, 주성분의 개수는 전체 분산의 대략 85% 이상을 설명할 수 있도록 선택할 수 있다. 다시 말해서, 주성분 전체가 분산의 100%을 설명하나, 주성분 분석의 목적이 차원 축소이므로, 설정된 % 이상만을 설명할 수 있도록 주성분의 개수를 선택할 수 있다.
주성분 개수가 정해지면, 선택된 주성분의 개수에 따라 적재값을 이용하여 측정치들에 대한 주성분 점수(score)를 계산한다(S124). 예컨대, N 개의 측정치들 각각에 대한 주성분 점수(X)를 계산할 수 있다.
이후, 측정치의 주성분 점수(X)에 대한 마할라노비스 거리(Mahalanobis distance)를 계산하여 제1 건전성 지수(Health Index)로 결정한다(S126).
여기서, 마할라노비스 거리 dm는 다음과 같은 식(1)로 주어질 수 있다.
dm(X, Y) = [(X-Y)TS- 1(X-Y)]1 /2.................................식(1)
여기서, X는 어느 하나의 측정치에 대한 벡터이고, Y는 정상 구간의 측정치들에 대한 중심 또는 평균 벡터로서, 각각 주성분 개수에 따른 주성분 점수를 성분 값으로 가질 수 있다. 또한, S는 정상 구간의 측정치들에 대한 공분산 행렬(covariance matrix)일 수 있다. 한편, 현 단계에서의 X는 정상 구간의 측정치들 중 어느 하나의 측정치에 대한 벡터를 대표하고, 측정치들 각각에 대응하는 제1 건전성 지수는 관리 한계선을 설정하는 데에 이용될 수 있다.
즉, 산출된 제1 건전성 지수를 이용하여 관리 한계선을 설정한다(S130). 관리 한계선은 차후 감시 구간에서 계산된 제2 건전성 지수와 비교하여, 현재 설비의 건강 상태, 즉, 설비가 정상인지 비정상인지를 판단하는 기준이 될 수 있다. 본 실시예의 제조 설비의 이상 감지 방법에서, 관리 한계선은 제1 건전성 지수를 이용한 붓스트랩(bootstrap) 기법을 통해 설정할 수 있다. 관리 한계선의 설정에 대해서는 도 4의 설명 부분에서 좀더 상세히 설명한다.
관리 한계선 설정 후, 감시 구간에서 제조 설비에 대한 스펙트럼 특징 데이터를 추출한다(S140). 여기서, 감시 구간은 해당 제조 설비에 대한 상태를 감시하는 구간인 현재 시점을 의미할 수 있다. 스펙트럼 특징 데이터를 추출하는 과정은 추출하는 시점만 다를 뿐, 도 2를 통해 설명한 바와 같다. 다만, 기계 부품별 주파수 대역은 기존에 설정된 대역을 그대로 이용하면 되므로, 기계 부품별 주파수 대역을 설정하는 단계(S116)는 다시 수행할 필요는 없다.
다음, 제조 설비에 대한 제2 건전성 지수를 산출한다(S150). 제2 건전성 지수는 감시 구간에서 추출된 스펙트럼 특징 데이터를 이용하여 산출할 수 있다. 그에 따라, 제2 건전성 지수는 앞서 도 3을 통해 설명한 과정을 통해 산출할 수 있으며, 또한 식(1)을 이용하여 산출할 수 있다. 다만, 식(1)에서, X는 감시 구간인 현재 시점에서 측정된 측정치에 대한 벡터일 수도 있고, 식(1)을 통해 계산된 마할라노비스 거리, 즉 제2 건전성 지수는 현재 설비의 건강 상태를 대표할 수 있다.
다시 말해서, 정상 구간은 설비가 건강하다고 판정된 기간이고, Y가 정상 구간의 측정치에 대한 데이터이므로, 마할라노비스 거리는 결국 현재 측정된 데이터를 정상 구간에 측정된 데이터와 비교하여 어느 정도의 비유사성을 갖는지에 따라 설비의 건강 상태를 판단한다는 척도일 수 있다. 즉, 계산된 마할라노비스 거리의 결과값이 크면, 비유사도가 크고 설비의 건강 상태가 나쁨을 의미하고, 반대로 결과값이 작으면, 비유사도가 작고 설비의 건강 상태가 양호함을 의미할 수 있다.
제2 건전성 지수 획득 후, 제2 건전성 지수가 관리 한계선보다 큰지 판단한다(S160). 만약, 제2 건전성 지수가 관리 한계선 이하이면(No), 해당 제조 설비를 정상이라고 판단하고(S180), 감시 구간에서의 스펙트럼 특징 데이터를 추출하는 단계(S140)로 이행한다.
한편, 제2 건전성 지수가 관리 한계선보다 크면(Yes), 해당 제조 설비에 이상이 있는 것으로 판단한다(S170). 제조 설비의 이상 감지의 목적을 달성하였으므로, 제조 설비의 이상 감지 방법을 종료한다. 물론, 해당 제조 설비가 유지 보수를 통해 정상으로 복구된 경우에, 다시 제조 설비의 이상 감지 방법을 적용할 수 있다.
도 4는 도 1의 제조 설비의 이상 감지 방법에서, 관리 한계선을 설정하는 단계에서 이용하는 붓스트랩 기법을 설명하기 위한 개념도이다.
도 4를 참조하면, 전술한 바와 같이, 설비의 이상 여부를 판단하기 위해서는 관리 한계선이 필요하고, 본 실시예의 제조 설비의 이상 감지 방법에서는 붓스트랩 기법을 이용하여 관리 한계선을 설정한다. 구체적으로 설명하면,
설비의 정상 구간에서, 산출된 N 개의 건전성 지수가 있다고 하자. 도 4에서, m1, m2, ..., mN가 정상 구간에서의 측정치들 각각의 건강성 지수를 의미할 수 있다.
먼저, N 개의 건전성 지수에서, 복원 추출로 B 개의 데이터 집합을 생성한다. 여기서, 데이터 집합은 각각 N 개의 원소를 포함하고, B 개는, 예컨대 1000 내지 2000개 정도일 수 있다. 물론, 데이터 집합의 개수가 상기 수치에 한정되는 것은 아니다. 한편, 데이터 집합 내의 각각의 원소들, 예컨대, 샘플 1 데이터 집합의 원소들 m(1) 1, m(1) 2, ..., m(1) N 각각은 N 개의 건전성 지수들 중 어느 하나이고, 서로 중복될 수 있고, 또한 집합 내에서 크기 순서로 순차적으로 나열될 수 있다.
이렇게 얻어진 B 개의 데이터 집합에서 사용자가 선택한 주의 및 알람 수준에 따라 분위수 값의 평균값을 산출하여, 관리 한계선으로 설정할 수 있다. 예컨대, 만약 주의 수준이 5%이고, 경고 수준이 1%라고 한다면, B 개의 데이터 집합 각각의 95%와 99%에 해당하는 분위수 값의 평균값을 각각 주의용 관리 한계선과 경고용 관리 한계선으로 설정할 수 있다.
좀더 구체적으로 예를 들면, N이 100이고, 주의 수준이 5%, 즉 α가 0.05인 경우, 각각의 샘플 집합에서 95번째 분위수 값들, 즉 m(1) (100(1-α)), m(2) (100(1-α)), ..., m(B) (100(1-α))을 추출한다. 이후, 추출된 분위수 값들의 평균, 즉 1/B∑m(i) (100(1-α))을 계산하여, 주의용 관리 한계선으로 설정할 수 있다. 경고용 관리 한계선도 동일한 방법을 통해 설정할 수 있다.
이와 같이 획득한 붓스트랩 기반 관리 한계선을 기준으로 해당 설비를 감시 및 운용할 수 있다. 또한, 설정된 주의용 및 경고용 관리 한계선에 따라 주의 및 경고 수준의 알람을 발생시키도록 할 수 있다.
도 5는 본 발명의 일 실시예에 따른 제조 설비의 이상 진단 방법을 개략적으로 보여주는 흐름도이다. 도 1 내지 도 4의 설명 부분에서 이미 설명한 내용은 간단히 설명하거나 생략한다.
도 5를 참조하면, 먼저, 도 1의 제조 설비의 이상 감지 방법의 일련의 단계들, 즉, 스펙트럼 특징 데이터를 추출하는 단계(S110)로부터 제조 설비의 이상으로 판단하는 단계(S170) 또는 제조 설비를 정상으로 판단하는 단계(S180)를 수행한다.
제조 설비를 정상으로 판단하는 단계(S180)의 경우는 도 1에서 설명한 바와 같이 감시 구간에서의 스펙트럼 특징 데이터를 추출하는 단계(S140)로 이행한다.
한편, 제조 설비에 이상이 있는 것으로 판단하는 단계(S170)의 경우, 도 1에서와 달리, 제2 건전성 지수에 영향을 미치는 성분들에 대한 기여도를 산출한다(S190). 여기서, 기여도는, 측정치의 각 성분들이 제2 건전성 지수에 어느 정도의 영향을 미치는지를 나타낼 수 있다. 예컨대, 기여도는 설비의 기계 부품별 스펙트럼 특징 데이터가 제2 건전성 지수에 어느 정도의 영향을 미치는지를 나타낼 수 있다.
기여도는, 예컨대 제2 건전성 지수를 계산할 때, 측정치의 어느 한 성분, 예컨대, 설비의 어느 한 기계 부품을 대표하는 스펙트럼 특징 데이터를 빼고 제2 건전성 지수를 계산하는 방법을 통해 계산될 수 있다. 이와 같이, 성분들 각각에 대하여 기여도를 계산하여, 제2 건전성 지수에 가장 영향을 많이 미치는 적어도 하나의 성분을 찾음으로써, 해당 성분에 대응하는 기계 부품에서 이상이 발생한 것으로 진단할 수 있다. 따라서, 본 실시예의 제조 설비의 이상 진단 방법은 기여도 분석을 통해 설비의 이상 발생 위치를 정확하게 확인 및 진단함으로써, 차후 설비에 대한 예비적 유지 보수를 보다 신속하고 용이하게 진행할 수 있도록 한다.
도 6은 도 1 및 도 5의 제조 설비의 이상 감지 및 진단 방법을 개괄적으로 보여주는 도면이다.
도 6을 참조하면, 먼저, 건전성 지수 모델링을 위하여, 스펙트럼 특징 데이터 추출한다. 즉, 설비에 대한 시간 영역 데이터, 예컨대 진동 속도와 가속도 데이터를 측정하고, FFT를 통해 주파수 영역의 데이터를 획득한다. 또한, 주파수 영역 데이터를 설비의 기계 부품별로 주파수 대역으로 구별하여 스펙트럼 특징 데이터로서 추출한다. 건전성 지수의 정확도를 높이기 위하여, 스펙트럼 특징 데이터의 추출이 중요할 수 있다.
한편, 감시하고자 하는 설비의 정상 구간을 설정하고, 정상 구간에서 추출된 스펙트럼 특징 데이터를 이용하여 건전성 지수를 산출한다. 건전성 지수의 모델 생성을 위해 적절한 정상 구간의 설정이 필요하고, 또한, 정상 구간에서 산출된 건전성 지수들은 관리 한계선을 설정하는 데에 이용될 수 있다.
이후, 건전성 지수 및 관리 한계선을 기초로 하여 회전 설비에 대한 감시 및 진단을 수행할 수 있다. 오른쪽 위 도면에서, EOL은 해당 회전 설비의 수명 종료를 판단할 수 있는 기준일 수 있다. 또한, 아래의 라인은 주의용 관리 한계선에 해당하며, 그 위의 라인은 경고용 관리 한계선에 해당할 수 있다.
따라서, 현재의 시점에서 산출된 해당 설비의 건전성 지수를 주의용 또는 경고용 관리 한계선과 비교하면서, 현재의 설비의 정상 상태 여부를 감시할 수 있다. 또한, 현재의 시점에서 설비에 이상이 있는 것으로 판단된 경우에, 기여도 분석을 하여 설비의 어느 부분에 이상이 발생하였는지 진단할 수 있다. 그에 따라, 설비에 대한 예비적 유지 보수를 보다 신속하고 용이하게 진행할 수 있다.
본 발명의 일 실시예에 따른 제조 설비의 이상 감지 및 진단 방법을 간단히 요약하면, 하나의 설비로부터 수집되는 여러 진동 관련 데이터로부터 설비의 정상 상태 기간으로 설정한 정상 구간의 측정치들의 데이터 특성 대비 새로 측정한 관측치들의 데이터 특성이 어떻게 변화하는지에 대한 거리 개념을 도입하여, 설비의 여러 곳에서 측정되는 진동 관련 데이터를 하나의 설비 건전성 지수로 대표할 수 있다. 즉, 종래의 기술은 설비 기준의 예방 진단이라기보다는 설비에 부착된 센서별 진단이었으나, 본 발명의 일 실시예에 따른 제조 설비의 이상 감지 및 진단 방법은 설비의 종합적인 상태를 하나의 건전성 지수로 산출하고 이를 토대로 이상 징후를 포착, 이상 발생 위치에 대한 진단을 할 수 있다.
따라서, 본 발명 일 실시예에 따른 제조 설비의 이상 감지 및 진단 방법은 엔지니어가 관리해야 할 대상 설비가 많고 측정 센서가 많아서 업무 과부하로 인해 제때에 설비의 이상 상태를 진단하지 못하는 오류를 최소화하고, 시스템에 의한 일관성 있는 진단을 수행할 수 있으므로 엔지니어의 경험의 정도에 따른 변동성을 줄일 수 있다.
지금까지, 본 발명을 도면에 도시된 실시예를 참고로 설명하였으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (9)

  1. 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징(spectrum feature) 데이터를 추출하는 단계;
    상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계;
    상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계;
    감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계;
    상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계; 및
    상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계;를 포함하는 제조 설비의 이상 감지 방법.
  2. 제1 항에 있어서,
    상기 제조 설비는 회전 설비이고,
    상기 제1 또는 제2 스펙트럼 특징 데이터를 추출하는 단계는,
    시간 영역에서 측정된 상기 회전 설비에 대한 측정치들을 FFT(Fast Fourier Transform) 변환하는 단계; 및
    상기 회전 설비의 기계 부품별 주파수 대역에서 실효치(Root Mean Square: RMS)를 상기 제1 또는 제2 스펙트럼 특징 데이터로서 추출하는 단계;를 포함하고,
    상기 주파수 대역은 기본 성분(fundamental component) 및 조화 성분들(harmonic components) 중 적어도 하나의 주파수 대역을 포함하는 것을 특징으로 하는 제조 설비의 이상 감지 방법.
  3. 제1 항에 있어서,
    상기 제1 건전성 지수를 산출하는 단계는,
    상기 제조 설비의 측정치들에 대응하는 상기 스펙트럼 특징 데이터들에 대한 주성분 분석(Principal Component Analysis)을 통해 주성분의 개수를 선택하는 단계;
    상기 주성분의 개수에 따라, 적재값(loading)을 이용하여 측정치들에 대한 주성분 점수를 계산하는 단계; 및
    측정치들의 상기 주성분 점수에 대하여 마할라노비스 거리(Mahalanobis distance)를 계산하여 상기 제1 건전성 지수로 결정하는 단계;를 포함하는 것을 특징으로 하는 제조 설비의 이상 감지 방법.
  4. 제3 항에 있어서,
    상기 마할라노비스 거리는 상기 측정치들의 어느 하나의 상기 주성분 점수와 상기 측정치들에 대한 주성분 점수들의 중심 또는 평균 사이의 거리인 것을 특징으로 하는 제조 설비의 이상 감지 방법.
  5. 제1 항에 있어서,
    상기 관리 한계선을 설정하는 단계에서,
    상기 관리 한계선은, 복수 개의 상기 제1 건전성 지수를 이용하여 붓스트랩(bootstrap) 기법으로 생성하는 것을 특징으로 하는 제조 설비의 이상 감지 방법.
  6. 제5 항에 있어서,
    상기 붓스트랩 기법은,
    상기 제1 건전성 지수의 개수가 N 개일 때, 복원 추출을 통해 각각 N 개의 성분을 갖는 M 개의 집합을 생성하고, 각각의 집합에서 상기 제1 건전성 지수를 크기별로 나열한 후, 설정된 위치의 값들을 평균하여 상기 관리 한계선으로 설정하는 방법인 것을 특징으로 하는 제조 설비의 이상 감지 방법.
  7. 정상 구간에서 제조 설비에 대한 제1 스펙트럼 특징 데이터를 추출하는 단계;
    상기 제1 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제1 건전성 지수를 산출하는 단계;
    상기 제1 건전성 지수를 기초로 관리 한계선을 설정하는 단계;
    감시 구간에서 제조 설비에 대한 제2 스펙트럼 특징 데이터를 추출하는 단계;
    상기 제2 스펙트럼 특징 데이터를 기초로 상기 제조 설비에 대한 제2 건전성 지수를 산출하는 단계;
    상기 제2 건전성 지수를 상기 관리 한계선과 비교하여 상기 제조 설비의 이상을 판단하는 단계; 및
    상기 제조 설비에 이상이 발생한 것으로 판단된 경우에, 상기 제조 설비의 어느 부분에서 이상이 발생한 것인지 진단하는 단계;를 포함하는 제조 설비의 이상 진단 방법.
  8. 제7 항에 있어서,
    상기 이상이 발생한 것인지 진단하는 단계에서,
    상기 제2 건전성 지수에 영향을 미치는 성분들에 대한 기여도를 산출하여 진단하는 것을 특징으로 하는 제조 설비의 이상 진단 방법.
  9. 제8 항에 있어서,
    상기 기여도는 상기 제2 건전성 지수의 계산에서 어느 한 성분을 빼고 계산한 값으로 나타나며,
    상기 기여도에 기초하여 상기 제조 설비의 이상이 발생한 부분을 진단하는 것을 특징으로 하는 제조 설비의 이상 진단 방법.
KR1020170184807A 2017-12-29 2017-12-29 제조 설비의 이상 감지 및 진단 방법 KR102040179B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170184807A KR102040179B1 (ko) 2017-12-29 2017-12-29 제조 설비의 이상 감지 및 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170184807A KR102040179B1 (ko) 2017-12-29 2017-12-29 제조 설비의 이상 감지 및 진단 방법

Publications (2)

Publication Number Publication Date
KR20190081933A true KR20190081933A (ko) 2019-07-09
KR102040179B1 KR102040179B1 (ko) 2019-11-05

Family

ID=67261827

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170184807A KR102040179B1 (ko) 2017-12-29 2017-12-29 제조 설비의 이상 감지 및 진단 방법

Country Status (1)

Country Link
KR (1) KR102040179B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021075842A1 (ko) * 2019-10-15 2021-04-22 주식회사 아이티공간 분포도를 통한 기기의 예지 보전방법
WO2021075857A1 (ko) * 2019-10-15 2021-04-22 주식회사 아이티공간 분포도를 통한 기기의 건전성 지수 검출방법
KR20220102364A (ko) * 2021-01-13 2022-07-20 텔스타홈멜 주식회사 진동 센서를 통한 설비 예지 보전 시스템
CN115265609A (zh) * 2021-03-12 2022-11-01 青岛科技大学 一种诊断结构健康监测系统中传感器状态的方法
KR20230005672A (ko) * 2021-07-01 2023-01-10 한국항공대학교산학협력단 리니어 모션 가이드 건전성 평가 시스템 및 방법
WO2024039076A1 (ko) * 2022-08-19 2024-02-22 한국전력공사 설비자산의 상태평가를 위한 지능형 건전성 지수 산출 시스템 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230075244A (ko) 2021-11-22 2023-05-31 (주)세종그룹엔지니어링 건물 설비의 이상유무 감지 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007108107A (ja) * 2005-10-17 2007-04-26 Mitsubishi Electric Corp 設備診断装置
KR20130008445A (ko) * 2011-07-12 2013-01-22 주식회사 칸 해양구조물의 회전체 상태진단 시스템 및 방법
KR20170066818A (ko) * 2015-12-07 2017-06-15 현대위아 주식회사 절삭 작업을 위한 공구의 마모 및 파손 감지 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007108107A (ja) * 2005-10-17 2007-04-26 Mitsubishi Electric Corp 設備診断装置
KR20130008445A (ko) * 2011-07-12 2013-01-22 주식회사 칸 해양구조물의 회전체 상태진단 시스템 및 방법
KR20170066818A (ko) * 2015-12-07 2017-06-15 현대위아 주식회사 절삭 작업을 위한 공구의 마모 및 파손 감지 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021075842A1 (ko) * 2019-10-15 2021-04-22 주식회사 아이티공간 분포도를 통한 기기의 예지 보전방법
WO2021075857A1 (ko) * 2019-10-15 2021-04-22 주식회사 아이티공간 분포도를 통한 기기의 건전성 지수 검출방법
KR20220102364A (ko) * 2021-01-13 2022-07-20 텔스타홈멜 주식회사 진동 센서를 통한 설비 예지 보전 시스템
CN115265609A (zh) * 2021-03-12 2022-11-01 青岛科技大学 一种诊断结构健康监测系统中传感器状态的方法
KR20230005672A (ko) * 2021-07-01 2023-01-10 한국항공대학교산학협력단 리니어 모션 가이드 건전성 평가 시스템 및 방법
WO2024039076A1 (ko) * 2022-08-19 2024-02-22 한국전력공사 설비자산의 상태평가를 위한 지능형 건전성 지수 산출 시스템 및 방법

Also Published As

Publication number Publication date
KR102040179B1 (ko) 2019-11-05

Similar Documents

Publication Publication Date Title
KR20190081933A (ko) 제조 설비의 이상 감지 및 진단 방법
CN113834657B (zh) 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
CN108896299A (zh) 一种齿轮箱故障检测方法
WO2014096014A1 (en) Method of monitoring the condition of a wind turbine
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
CN103616187A (zh) 一种基于多维度信息融合的故障诊断方法
JP6714498B2 (ja) 設備診断装置及び設備診断方法
US20240053225A1 (en) Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component
CN116304848B (zh) 一种滚动轴承故障诊断系统及方法
KR20140072331A (ko) 이상진단 사전감시 방법
Zhang et al. Condition monitoring and fault detection of a compressor using signal processing techniques
CN112326246A (zh) 基于周期数据及核密度估计的轴承安全状态在线监测方法
JP5751606B2 (ja) 機械設備における異常診断システム
Srilakshmi et al. A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements
JP7415850B2 (ja) 構造系異常診断装置および構造系異常診断方法
US11463032B2 (en) Detecting rotor anomalies by determining vibration trends during transient speed operation
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统
KR101928423B1 (ko) 회전 설비의 윤활유 부족의 감지 방법
KR20220096794A (ko) 회전기계의 결함을 진단하는 방법 및 시스템
Mączak Local meshing plane as a source of diagnostic information for monitoring the evolution of gear faults
Baglio et al. On-line condition monitoring tool for nuclear research reactors coolant system components
JP7476440B2 (ja) 回転機械の衝撃系異常の診断方法
Galar et al. Application of dynamic benchmarking of rotating machinery for e-maintenance
US20230375440A1 (en) Method for identifying faults in a drive

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant