KR102261899B1 - 드론의 이상 진단장치 및 그 방법 - Google Patents
드론의 이상 진단장치 및 그 방법 Download PDFInfo
- Publication number
- KR102261899B1 KR102261899B1 KR1020190147126A KR20190147126A KR102261899B1 KR 102261899 B1 KR102261899 B1 KR 102261899B1 KR 1020190147126 A KR1020190147126 A KR 1020190147126A KR 20190147126 A KR20190147126 A KR 20190147126A KR 102261899 B1 KR102261899 B1 KR 102261899B1
- Authority
- KR
- South Korea
- Prior art keywords
- drone
- data
- frequency band
- frequency
- abnormality
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000007689 inspection Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 230000009466 transformation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
- G01H1/14—Frequency
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 발명의 드론 이상 진단 장치는 드론 구동시 발생하는 진동 원시 데이터를 수집하는 진동센서부; 상기 진동센서에서 수집된 진동 원시 데이터 중 상기 드론의 이상 진단을 위해 유효한 주파수 대역만을 통과시키는 필터부; 상기 필터부를 통과한 시간영역의 데이터를 주파수 영역으로 변환한 후 점검 데이터로 출력하는 변환부; 및 상기 드론이 정상상태일 때의 진동 데이터를 기준 데이터로 미리 저장하고, 상기 변환부에서 출력된 점검 데이터와 상기 기준 데이터를 비교하여 상기 드론의 이상 여부를 감지하는 이상 감지부를 포함하되, FFT 변환 알고리즘을 적용하여 상기 데이터를 처리함으로써 처리 속도와 데이터 용량을 획기적으로 개선할 수 있으며, 유클리드 거리 산출식을 이용함으로써, 연산 처리 내용을 단순화하여 소형 마이크로 프로세서에 탑재할 수 있는 저용량 알고리즘을 구현할 수 있는 장점이 있다.
Description
본 발명은 드론의 이상 진단장치 및 그 방법에 관한 것으로서, 보다 상세하게는, 진동센서를 이용하여 드론의 동력부 이상을 진단하는 드론의 이상 진단 장치 및 그 방법에 관한 것이다.
최근, 드론의 상업 및 산업현장의 적용이 급격히 증가하고 대형화가 가속되고 있으나, 이와 함께 추락사고와 그에 따르는 2차 피해 또한 증가하고 있어 드론 산업 발전에 걸림돌이 되고 있다.
따라서, 산업용 드론의 동력부(예컨대, 모터, 프로펠러, 프레임 등)의 고장 또는 인적원인의 정비 불량으로 인한 추락 사고를 사전에 예방할 수 있는 기술이 필요하다.
한편, 회전체를 갖는 시스템의 이상을 자동으로 진단하기 위한 선행 연구를 살펴보면 선형판별분석(linear discriminant analysis), 인공신경망(artificial neural networks), 주성분 분석(principal component analysis), 마할라노비스 거리 분류기(Mahalanobis distance classifier), 로지스틱 회귀 분석(logistic regression) 등 여러 가지 분석 기법을 이용하여 판별하는 방법이 사용되었고, 그 중 ‘마할라노비스 거리’기반의 분류 기법은 다른 분석 기법들에 비해 우수한 성능을 보여주고 있어 많은 연구에서 사용되고 있다.
기존 연구에서 제시된 이상 판별의 기본 접근 방법은 정상적 시스템의 동작 상태에서 수집된 진동 신호를 기반으로 모니터링을 통해 얻은 수집 데이터의 편차가 크게 발생했을 경우를 이상 상태로 판별한다.
그런데, 이러한 종래의 연구들은 드론 시스템의 제한적 환경 특성(예컨대, 신호처리 시스템 성능, 용량, 물리적 사이즈 등)을 극복할 수 없었고, 이로 인해, 종래의 연구들을 드론 시스템에 적용할 수 없는 문제가 있었다.
1. Lee, S. H. and Lim, G., "Performance Comparison of Mahalanobis- Taguchi System and Logistic Regression-A Case Study,"Journal of the Korean Institute of Industrial Engineers, Vol.39, No.5, pp.393-402, 2013.
2. Bakonyi Mihaly, 1995, "The Euclidian Distance Matrix Completion Problem,"pp.646-654.
3. De Maesschalck, Roy, 2000, "The mahalanobis distance,"Chemometrics and Intelligent Laboratory Systems, pp.1-18.
4. Park, S. G., Park, W. S., Jung, J. E., Lee, Y. Y., and Oh, J. E., "A Fault Diagnosis on the Rotating Machinery Using Mahalanobis Distance,"Transactions of the Korean Society of Mechanical Engineers, Vol. 32, No. 7, pp. 556-560, 2008.
5. 유정원, 장재열, 유재영, 김성신(2016). 마할라노비스 거리를 이용한 증기보일러 튜브의 고장탐지방법. 한국지능시스템학회 논문지, 26(3), 246-252.
따라서, 본 발명은 소형 산업용 드론에 장착할 수 있는 초소형 진동센서 모듈 환경에서 신호처리가 가능한 드론의 이상 진단장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 소형 산업용 드론의 제한적 환경 특성에 맞춰서 데이터 처리 용량을 최소화한 드론의 이상 진단장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 드론 구동시 발생하는 진동데이터를 수집한 후, FFT 변환 알고리즘을 적용하여 상기 데이터를 처리함으로써 처리 속도와 데이터 용량을 획기적으로 개선할 수 있는 드론의 이상 진단장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 상기 수집된 데이터와 기준 데이터의 비교시, 유클리드 거리 산출식을 이용함으로써, 연산 처리 내용을 단순화하여 소형 마이크로 프로세서에 탑재할 수 있는 저용량 알고리즘을 구현할 수 있는 드론의 이상 진단장치 및 그 방법을 제공하고자 한다.
상기 목적을 달성하기 위해, 본 발명에서 제공하는 드론의 이상 진단장치는 드론 구동시 발생하는 진동 원시 데이터를 수집하는 진동센서부; 상기 진동센서에서 수집된 진동 원시 데이터 중 상기 드론의 이상 진단을 위해 유효한 주파수 대역만을 통과시키는 필터부; 상기 필터부를 통과한 시간영역의 데이터를 주파수 영역으로 변환한 후 점검 데이터로 출력하는 변환부; 및 상기 드론이 정상상태일 때의 진동 데이터를 기준 데이터로 미리 저장하고, 상기 변환부에서 출력된 점검 데이터와 상기 기준 데이터를 비교하여 상기 드론의 이상 여부를 감지하는 이상 감지부를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 장치는 상기 드론에 대하여 임의의 고장 상황을 연출하여 나타난 주파수 패턴을 검출하고, 그 결과에 의거하여 상기 유효한 주파수 대역을 결정하는 유효 주파수 결정부를 더 포함할 수 있다.
바람직하게는, 상기 유효 주파수 결정부는 상기 유효 주파수 대역 내에 존재하는 주파수 대역 중 프로펠러의 회전 속도에 따라 하모닉(harmonics)이 발생되는 영역에 대하여 특별 분류하여 데이터를 처리할 수 있다.
바람직하게는, 상기 변환부는 상기 필터부를 통과한 주파수 대역의 신호들 중, 일부만을 푸리에 변환하는 패스트 푸리에 변환(FFT: Fast Fourier Transform)을 수행할 수 있다.
바람직하게는, 상기 이상 감지부는 소정의 조건에 의거하여 다수의 진동 데이터들을 수집한 후 상기 다수의 진동 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성하고, 상기 기준 데이터와 상기 점검 데이터의 유클리드 거리값(D)을 계산하고, 상기 유클리드 거리값(D)을 미리 설정된 임계값(Dth)과 비교하여 상기 드론에 이상이 발생했는지 여부를 결정할 수 있다.
바람직하게는, 상기 이상 감지부는 상기 드론의 이상 진단을 위해 유효한 주파수 대역인 제1 주파수 대역의 주파수에 대하여, 일정 주파수 간격으로 정상 상태의 진동 데이터를 수집하고, 그 수집된 데이터들의 평균 벡터를 산출하고, 상기 드론의 회전속도에 따른 하모닉(harmonic)이 발생되는 주파수 대역인 제2 주파수 대역의 주파수에 대하여, 상기 하모닉의 피크치를 평균 벡터로 산출할 수 있다.
바람직하게는, 상기 이상 감지부는 상기 드론의 프로펠러의 회전속도가 특정 속도 이상인 경우, 미리 설정된 소정의 기준 속도에 도달할 때마다 상기 기준 데이터를 생성할 수 있다.
또한, 상기 목적을 달성하기 위해, 본 발명에서 제공하는 드론의 이상 진단방법은 드론이 정상 상태일 때의 진동 데이터를 학습하여 기준 데이터로 생성하는 기준 데이터 생성 단계; 드론 구동시 발생하는 진동 원시 데이터를 수집하는 데이터 수집단계; 상기 수집된 진동 원시 데이터 중 상기 드론의 이상 진단을 위해 유효한 주파수 대역만을 선택하는 필터링 단계; 상기 필터링 단계에서 선택된 시간영역의 데이터를 주파수 영역으로 변환한 후 점검 데이터로 출력하는 변환 단계; 및 상기 점검 데이터와 상기 기준 데이터를 비교하여 상기 드론의 이상 여부를 감지하는 이상 감지단계를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 방법은 상기 드론에 대하여 임의의 고장 상황을 연출하여 나타난 주파수 패턴을 검출하고, 그 결과에 의거하여 상기 유효한 주파수 대역을 결정하는 주파수 대역 결정단계를 더 포함할 수 있다.
바람직하게는, 상기 기준 데이터 생성 단계는 소정의 조건에 의거하여 다수의 진동 데이터를 수집한 후 상기 다수의 진동 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성하는 평균벡터 산출단계를 포함할 수 있다.
바람직하게는, 상기 평균벡터 산출단계는 상기 드론의 이상 진단을 위해 유효한 주파수 대역인 제1 주파수 대역의 주파수에 대하여, 일정 주파수 간격으로 정상 상태의 진동 데이터를 수집하고, 그 수집된 데이터들의 평균 벡터를 산출하는 제1 평균 벡터 산출 단계; 및 상기 드론의 회전속도에 따른 하모닉(harmonic)이 발생되는 주파수 대역인 제2 주파수 대역의 주파수에 대하여, 상기 하모닉의 피크치를 평균벡터로 산출하는 제2 평균 벡터 산출 단계를 포함할 수 있다.
바람직하게는, 상기 기준 데이터 생성 단계는 상기 드론의 프로펠러의 회전속도가 특정 속도 이상인 경우, 미리 설정된 소정의 기준 속도에 도달할 때마다 상기 기준 데이터를 생성할 수 있다.
바람직하게는, 상기 변환 단계는 상기 필터링 단계에서 선택된 주파수 대역의 신호들 중, 일부만을 푸리에 변환하는 패스트 푸리에 변환(FFT: Fast Fourier Transform)을 수행할 수 있다.
바람직하게는, 상기 이상 감지 단계는 상기 기준 데이터와 상기 점검 데이터의 유클리드 거리값(D)을 계산하는 거리 계산단계; 및 상기 유클리드 거리값(D)을 미리 설정된 임계값(Dth)과 비교하여 상기 드론에 이상 발생 여부를 결정하는 비교 단계를 포함할 수 있다.
본 발명은 초소형 진동 센서에 의해 드론 구동시 발생하는 진동 데이터를 수집하고, 상기 수집된 데이터와 정상 상태에서 미리 설정된 기준 데이터를 비교하되, FFT 변환 알고리즘을 적용하여 상기 수집된 데이터를 처리함으로써 처리 속도와 데이터 용량을 획기적으로 개선할 수 있다. 또한, 상기 수집된 데이터와 기준 데이터의 비교시, 유클리드 거리 산출식을 이용함으로써 연산 처리 내용을 단순화하여 소형 마이크로 프로세서에 탑재할 수 있는 저용량 알고리즘을 구현할 수 있는 장점이 있다. 따라서, 본 발명은 소형 산업용 드론의 제한적 환경 특성에 맞는 드론의 이상 진단 장치 및 그 방법을 제공할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시 예에 따른 드론 이상 진단 장치에 대한 개략적인 블록도이다.
도 2 내지 도 4는 의도된 제1 내지 제3 고장상황에서 주파수 패턴의 변화를 예시한 도면들이다.
도 5는 본 발명의 일 실시 예에 따른 드론 이상 진단 방법에 대한 개략적인 처리 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 이상감지 과정에 대한 개략적인 처리 흐름도이다.
도 7 내지 도 18은 본 발명의 일 실시 예를 설명하기 위한 도면들이다.
도 2 내지 도 4는 의도된 제1 내지 제3 고장상황에서 주파수 패턴의 변화를 예시한 도면들이다.
도 5는 본 발명의 일 실시 예에 따른 드론 이상 진단 방법에 대한 개략적인 처리 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 이상감지 과정에 대한 개략적인 처리 흐름도이다.
도 7 내지 도 18은 본 발명의 일 실시 예를 설명하기 위한 도면들이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 설명하되, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 한편 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한 상세한 설명을 생략하여도 본 기술 분야의 당업자가 쉽게 이해할 수 있는 부분의 설명은 생략하였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 일 실시 예에 따른 드론 이상 진단 장치에 대한 개략적인 블록도이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 드론 이상 진단 장치(100)는 진동센서(110), 저주파 필터(LPF: Low Pass Filter)(120), FFT(Fast Fourier Transform) 변환기(130), 이상 감지부(140) 및 유효 주파수 결정부(150)를 포함한다.
진동센서(110)는 암(arm)에 부탁되어 진동 원시 데이터를 수집한다. 이 때, 진동센서(110)는 분해능이 10bit 이상이고, 센서축이 3축 이상이고, 스캔속도가 4Ksps 이상이고, 통신 속도가 400kbps 이상인 것이 바람직하며, 초소형 3축 가속도 센서를 사용할 수 있다.
저주파 필터(LPF: Low Pass Filter)(120)는 진동센서(110)에서 수집된 진동 원시 데이터 중 일부만을 통과시킨다. 즉, 저주파 필터(LPF)(120)는 진동센서(110)에서 수집된 진동 원시 데이터 중 드론의 이상 진단을 위해 유효한 주파수 대역(예컨대, 1KHz 대역 이하)만을 통과시킨다. 이를 위해, 저주파 필터(LPF)(120)는 디지털 필터(T-filter)를 적용할 수 있다. 한편, 상기 유효한 주파수 대역은 유효 주파수 결정부(150)에서 결정할 수 있다.
유효 주파수 결정부(150)는 드론의 고장 상황에서 나타난 주파수 패턴에 의해 상기 드론의 이상 진단을 위해 유효한 주파수 대역을 결정한다. 이를 위해, 유효 주파수 결정부(150)는 드론에 대하여 임의의 고장 상황(예컨대, 프롭 밸런스 이상(unbalance Prop.) 또는 프롭 볼트 풀림(Loosely coupled bolts) 등)을 연출하고, 상기 고장 상황에서 나타난 주파수 패턴을 검출한다. 그리고, 상기 주파수 패턴에 의거하여 상기 유효한 주파수 대역을 결정할 수 있다. 예를 들어, 유효 주파수 결정부(150)는 의도된 고장 상황들을 연출하고 그 각각에 대한 주파수 패턴을 검출함으로써, 상기 유효한 주파수 대역을 결정할 수 있다. 이와 같이, 유효 주파수 결정부(150)에서 고장 상황별로 주파수 패턴을 검출한 예가 도 2 내지 도 4에 예시되어 있다.
도 2 내지 도 4는 의도된 제1 내지 제3 고장상황에서 주파수 패턴의 변화를 예시한 도면들이다.
도 2는 제1 고장 상황(즉, 드론의 프롭 밸런스 이상)에서 주파수 패턴의 변화를 예시하는 도면들로서, 도 2의 (a)는 정상 상태인 드론의 프롭이 210 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 2의 (b)는 프롭 밸런스에 이상이 발생한 드론의 프롭이 210 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 2의 (c)는 정상 상태인 드론의 프롭이 620 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 2의 (d)는 프롭 밸런스에 이상이 발생한 드론의 프롭이 620 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 2의 (e)는 정상 상태인 드론의 프롭이 1000 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 2의 (f)는 프롭 밸런스에 이상이 발생한 드론의 프롭이 1000 RPM 속도로 회전할 때의 주파수 패턴을 예시한다. 도 2의 (b), (d), (f)를 참조하여 프롭 밸런스에 이상이 발생한 드롭의 주파수 패턴 변화를 살펴보면, 프롭의 회전 속도(RPM)에 따라 1KHz 대역 및 100Hz 대역의 주파수 패턴 변화가 큰 것으로 확인된다. 한편, 도 2의 (a)와 (b), (c)와 (d), (e)와 (f)를 각각 비교하여 동일 RPM에서의 이상 상태에 따르는 패턴 변화를 살펴보면, 저속(210 RPM)에서는 1KHz, 및 100Hz 대역에서 유의미한 변화를 찾아볼 수 없으나 500 RPM이 넘어서면서부터 100Hz 대역의 패턴 변화가 크게 나타남을 알 수 있다. 또한, 1KHz 대역에서도 일부 구간에서는 유의미한 변화가 있기도 하였다.
도 3은 제2 고장상황(즉, 드론의 제1 프롭 볼트 풀림 이상)에서 주파수 패턴의 변화를 예시한 도면들로서, 도 3의 (a)는 정상 상태인 드론의 프롭이 620 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 3의 (b)는 상기 제2 고장상황인 드론의 프롭이 620 RPM 속도로 회전할 때의 주파수 패턴을 예시한다. 한편, 도 4는 제3 고장 상황(즉, 드론의 제2 프롭 볼트 풀림 이상)에서 주파수 패턴의 변화를 예시한 도면들로서, 도 4의 (a)는 정상 상태인 드론의 프롭이 620 RPM 속도로 회전할 때의 주파수 패턴을 예시하고, 도 4의 (b)는 상기 제3 고장상황인 드론의 프롭이 620 RPM 속도로 회전할 때의 주파수 패턴을 예시한다. 도 3 및 도 4를 참조하면, 1KHz 대역과 100Hz 대역에서 동시에 패턴 변화가 발생함을 알 수 있다.
따라서, 유효 주파수 결정부(150)는, 도 2 내지 도 4에 예시된 바와 같이, 이상 상태에서 유의미한 패턴 변화를 보이는, 0 ~ 1 KHz의 주파수 대역을 유효한 주파수 대역으로 결정할 수 있다.
한편, 도 2 내지 도 4를 참조하면, 0 ~ 100Hz 대역은 프로펠러의 회전 속도에 따르는 하모닉(harmonics)이 발생되는 영역이고, 특히 100Hz 대역 내에서의 첫 번째 하모닉은 항상 프로펠러의 회전 주파수와 일치함을 알 수 있다. 따라서 유효 주파수 결정부(150)는 상기 0 ~ 100Hz 대역을 프로펠러의 이상을 감시하는 중요한 대역으로 특별 분류하여 데이터를 처리할 수 있다.
따라서, 이 경우, 유효 주파수 결정부(150)는 상기 드론의 이상 진단을 위해 유효한 주파수 대역을 1KHz 대역 이하로 결정하고, 이 정보를 저주파 필터(LPF)(120) 및 이상 감지부(140)로 전달할 수 있다.
FFT(Fast Fourier Transform) 변환기(130)는 시간 영역의 데이터를 주파수 영역으로 변환하여 점검 데이터로 출력한다. 즉, FFT(Fast Fourier Transform) 변환기(130)는 저주파 필터(LPF)(120)를 통과해서 출력되는 시간 영역의 데이터를 주파수 영역으로 변환하되, 연속 샘플링된 신호의 일부만을 푸리에(Fourier) 변환하여 샘플링한 후 점검 데이터로 출력한다. 이로 인해, FFT 변환기(130)는 그 처리 속도와 데이터 용량을 획기적으로 개선할 수 있다.
이상 감지부(140)는 드론이 정상상태일 때의 진동 데이터를 기준 데이터로 미리 저장하고, FFT 변환기(130)에서 출력된 점검 데이터와 상기 기준 데이터를 비교하여 드론의 이상 여부를 감지한다. 이를 위해, 이상 감지부(140)는 먼저, 기준 데이터를 생성하여 저장하여야 한다. 따라서, 이상 감지부(140)는 소정의 조건에 의거하여 다수의 진동 데이터들을 수집한 후 상기 다수의 진동 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성한다. 즉, 이상 감지부(140)는 특정 RPM에서 검출되는 진동신호 데이터로부터 통계적 지표를 추출하고, 그 통계적 지표로 구성된 벡터를 상기 기준 데이터로 미리 저장할 수 있다. 예를 들어, 이상 감지부(140)는 유효 주파수 결정부(150)에서 드론의 이상 진단을 위해 유효한 주파수로 결정된 제1 주파수 대역(예컨대, 1KHz)의 주파수에 대하여, 일정 주파수 간격으로 정상 상태의 진동 데이터를 수집한 후 그 수집된 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성한다. 또한, 이상 감지부(140)는 상기 드론의 회전속도에 따라 하모닉(harmonic)이 발생되는 제2 주파수 대역(예컨대, 100Hz)의 주파수에 대하여, 상기 하모닉의 피크치를 평균 벡터로 산출하여 기준 데이터를 생성한다. 한편, 이상 감지부(140)는 상기 드론 프로펠러의 회전속도가 특정 속도 이상인 경우, 미리 설정된 소정의 기준 속도에 도달할 때마다 상기 기준 데이터를 생성할 수 있다. 예를 들어, 이상 감지부(140)는 상기 드론 프로펠러의 회전속도가 500 RPM을 넘는 영역에 2~3개 RPM(예컨대, 800, 1000, 1200 등)을 지정하고 그 시점에서의 기준 데이터를 생성할 수 있다. 이는 드론 프로펠러의 회전 속도가 500 RPM을 넘어서면서부터 100 Hz 대역의 패턴 변화가 크게 나타나기 때문이다.
그리고 이상 감지부(140)는 상기 기준 데이터와 상기 점검 데이터의 유클리드 거리값(D)을 계산한 후 상기 유클리드 거리값(D)을 미리 설정된 임계값(Dth)과 비교하여 상기 드론에 이상이 발생했는지 여부를 결정한다. 즉, 이상 감지부(140)는 특정 RPM에서 실시간으로 수집된 진동 데이터로부터 생성된 점검 데이터와 대응된 기준 데이터의 유클리드 거리값(D)을 계산하고, 상기 유클리드 거리값(D)이 미리 설정된 임계값(Dth) 이상인 경우 상기 드론에 이상이 발생한 것으로 결정한다.
도 5는 본 발명의 일 실시 예에 따른 드론 이상 진단 방법에 대한 개략적인 처리 흐름도이다. 도 1 및 도 5를 참조하면, 단계 S110에서는, 기준 데이터를 생성한다. 즉, 단계 S110에서는, 이상 감지부(140)가 드론이 정상 상태일 때의 진동 데이터를 학습하여 기준 데이터로 생성한다. 이를 위해, 단계 S110에서는, 이상 감지부(140)가 소정조건에 의거하여 다수의 진동 데이터들을 수집한 후 상기 다수의 진동 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성한다. 즉, 단계 S110에서는, 이상 감지부(140)가 특정 RPM에서 검출되는 진동신호 데이터로부터 통계적 지표를 추출하고, 그 통계적 지표로 구성된 벡터를 상기 기준 데이터로 미리 저장할 수 있다. 예를 들어, 단계 S110에서, 이상 감지부(140)는 두 가지 경우로 나누어 기준 데이터를 생성할 수 있는데, 먼저, 유효 주파수 결정부(150)에서 드론의 이상 진단을 위해 유효한 주파수로 결정된 제1 주파수 대역(예컨대, 1KHz)의 주파수에 대하여, 이상 감지부(140)는 일정 주파수 간격으로 정상 상태의 진동 데이터를 수집한 후 그 수집된 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성할 수 있다. 그리고, 상기 드론의 회전속도에 따라 하모닉(harmonic)이 발생되는 제2 주파수 대역(예컨대, 100Hz)의 주파수에 대하여, 이상 감지부(140)는 상기 하모닉의 피크치를 평균 벡터로 산출하여 기준 데이터를 생성할 수 있다.
한편, 단계 S110는, 이상 감지부(140)가 상기 드론 프로펠러의 회전속도가 특정 속도 이상인 경우, 상기 드론 프로펠러의 회전속도가 미리 설정된 소정의 기준 속도에 도달할 때마다 상기 기준 데이터를 추가로 생성하는 단계를 더 포함할 수 있다. 예를 들어, 이상 감지부(140)는 상기 드론 프로펠러의 회전속도가 500 RPM을 넘는 영역에 2~3개 RPM(예컨대, 800, 1000, 1200 등)을 지정하고 그 시점에서의 기준 데이터를 생성할 수 있다. 이는 드론 프로펠러의 회전 속도가 500 RPM을 넘어서면서부터 100 Hz 대역의 패턴 변화가 크게 나타나기 때문이다.
이와 같이 기준 데이터가 생성되었으면, 단계 S120에서는, 데이터를 수집한다. 즉, 단계 S120에서는, 진동센서(110)가 드론 구동시 발생하는 진동 원시 데이터를 수집한다.
단계 S130에서는, 필터링을 한다. 즉, 단계 S130에서는, 저주파 필터(LPF)(120)가 상기 단계 S120에서 수집된 진동 원시 데이터 중 상기 드론의 이상 진단을 위해 유효한 주파수 대역만을 선택한다. 이를 위해, 단계 S130은 상기 유효한 주파수 대역을 결정하는 주파수 대역 결정단계(미도시)를 더 포함할 수 있다.
상기 주파수 대역 결정단계(미도시)에서는, 유효 주파수 결정부(150)가 드론의 고장 상황에서 나타난 주파수 패턴에 의해 상기 유효한 주파수 대역을 결정한다. 이를 위해, 유효 주파수 결정부(150)는 드론에 대하여 임의의 고장 상황(예컨대, 프롭 밸런스 이상(unbalance Prop.) 또는 프롭 볼트 풀림(Loosely coupled bolts) 등)을 연출한다. 그리고 유효 주파수 결정부(150)는 상기 고장 상황에서 나타난 주파수 패턴을 검출하여 상기 유효한 주파수 대역을 결정할 수 있다. 예를 들어, 유효 주파수 결정부(150)는 복수개의 의도된 고장 상황들을 연출하고 그 각각에 대한 주파수 패턴을 검출함으로써, 상기 유효한 주파수 대역을 결정할 수 있다. 이와 같이, 유효 주파수 결정부(150)에서 고장 상황별로 주파수 패턴을 검출한 예가 도 2 내지 도 4에 예시되어 있으며, 도 2 내지 도 4를 참조하면, 유효 주파수 결정부(150)는 이상 상태에서 유의미한 패턴 변화를 보이는, 0 ~ 1 KHz의 주파수 대역을 유효한 주파수 대역으로 결정할 수 있다.
이와 같이 주파수 대역 결정 단계에서 0 ~ 1 KHz의 주파수 대역을 유효한 주파수 대역으로 결정한 경우, 단계 S130에서는, 0 ~ 1 KHz의 주파수 대역만을 통과시킨다.
단계 S140에서는, FFT 변환기(130)가 단계 S130에서 필터링되어 출력된 시간영역의 데이터를 주파수 영역으로 변환한 후 점검 데이터로 출력한다. 이 때, 단계 S140은 상기 단계 S130에서 선택된 주파수 대역의 신호들 중, 일부만을 푸리에 변환하는 패스트 푸리에 변환(FFT: Fast Fourier Transform)을 수행한다.
단계 S150에서는, 이상 감지부(140)가 상기 점검 데이터와 상기 기준 데이터를 비교하여 상기 드론의 이상 여부를 감지한다. 단계 S150에서 상기 드론의 이상 여부를 감지하는 보다 구체적인 처리 과정의 예가 도 6에 예시되어 있다.
도 6은 본 발명의 일 실시 예에 따른 이상감지 과정에 대한 개략적인 처리 흐름도이다. 도 1, 도 5 및 도 6을 참조하여, 이상 감지 과정(S150)에 대한 구체적인 처리 과정을 설명하면 다음과 같다.
먼저, 단계 S151에서는, 이상 감지부(140)가 상기 기준 데이터와 상기 점검 데이터의 유클리드 거리값(D)을 계산한다. 즉, 단계 S110에서 생성된 기준 데이터와, 실시간으로 수집된 진동 데이터로부터 생성된 점검 데이터의 유클리드 거리값(D)을 계산한다.
단계 S153 및 단계 S155에서는, 이상 감지부(140)가 상기 유클리드 거리값(D)을 미리 설정된 임계값(Dth)과 비교하여, 상기 드론에 이상 발생 여부를 결정한다. 즉, 단계 S153의 비교 결과, 상기 유클리드 거리값(D)이 미리 설정된 임계값(Dth) 이상인 경우, 단계 S155에서는 드론에 이상이 발생한 것으로 결정한다.
도 7 내지 도 18은 본 발명의 일실시 예를 설명하기 위한 도면들로서, 본 발명의 알고리즘을 검증하기 위한 실험 절차를 설명하기 위한 도면들이다.
도 7 내지 도 12는, 정상 동작하는 드론으로 부터 기준 데이터를 생성하는 과정들을 예로 들어 설명하기 위한 도면들로서, 도 1에 예시된 이상 감지부(140)에서, 기준 데이터를 생성하는 과정들을 예로 들어 설명하고, 도 13 내지 도 16은 임의의 고장 상황을 연출하고 그에 대한 주파수 패턴을 검출하는 과정들을 예로 들어 설명하기 위한 도면들로서, 도 1에 예시된 유효 주파수 결정부(150)의 처리 과정들을 예로 들어 설명하고, 도 17 및 도 18은 드론의 고장 상황에서 주파수 대역별로 산출된 유클리드 거리의 평균값을 예시한 도면들이다.
먼저, 도 7 내지 도 9는 드론의 이상 진단을 위해 유효한 주파수로 결정된 주파수 대역이 1KHz인 경우, 1KHz 대역의 주파수에 대하여 일정 주파수 간격(즉, 100Hz 간격)으로 정상 상태의 진동 데이터를 수집한 후 그 수집된 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성하는 과정을 예로 들어 설명하는 도면들로서, 도 7은 정상 상태의 프로펠러를 회전속도 1,000 RPM으로 설정한 후 동작시켰을 때 획득된 진동 데이터의 예를 나타낸 도면이고, 도 8은 도 7에 예시된 바와 같은 진동 데이터들을 5회에 걸쳐 획득하여 각각을 샘플한 후 1KHz 대역을 100Hz 단위의 10개 구간(F1 ~ F10)으로 나누어 각 구간별 평균 레벨을 측정한 결과를 표로 나타낸 도면이고, 도 9는 도 8에 예시된 데이터를 기반으로 상기 10개의 구간별로 평균 벡터(U)를 산출한 결과를 표로 나타낸 도면이다.
한편, 도 10 내지 도 12는 드론의 회전속도에 따라 하모닉(harmonic)이 발생되는 주파수 대역이 100Hz인 경우, 100Hz 대역의 주파수에 대하여, 상기 하모닉의 피크치를 평균 벡터로 산출하여 기준 데이터를 생성하는 과정을 예로 들어 설명하는 도면들로서, 도 10은 정상 상태의 프로펠러를 1,000 RPM으로 설정한 후 동작시켰을 때 100Hz 대역에서 획득된 하모닉 피크값의 예를 나타낸 도면이고, 도 11은 도 10에 예시된 바와 같은 하모닉 피크값을 6개(P1 ~ P6)까지 순서대로 5회 측정한 결과를 표로 나타낸 도면이고, 도 12는 도 11에 예시된 데이터를 기반으로 100Hz 대역 하모닉 피크값에 대한 평균 벡터(UL)를 산출한 결과를 표로 나타낸 도면이다.
도 13 내지 도 16은 드론의 프로펠러 밸런스에 이상이 발생한 상황을 연출하고 그에 대한 주파수 패턴을 검출하는 과정들을 예로 들어 설명하기 위한 도면들로서, 도 13은 이상상태(즉, 프로펠러 밸런스 이상 상태)의 프로펠러를 회전속도 1,000 RPM으로 설정한 후 측정된 진동 데이터의 예를 나타낸 도면이고, 도 14는 도 13에 예시된 바와 같은 프로펠러 밸런스 이상 상태의 1KHz 대역내 10개 구간(F1~F10)별로 진동 데이터의 평균 측정값을 표로 나타낸 도면이고, 도 15는 이상상태(즉, 프로펠러 밸런스 이상 상태)의 프로펠러를 1,000 RPM으로 설정한 후 동작시켰을 때 100Hz 대역에서 획득된 하모닉 피크값의 예를 나타낸 도면이고, 도 16은 도 15에 예시된 바와 같은 하모닉 피크값을 6개(P1 ~ P6)까지 순서대로 검출하여 표로 나타낸 도면이다.
도 17 및 도 18은 드론의 프로펠러 밸런스 이상 상태에서 주파수 대역별로 산출된 유클리드 거리의 평균값을 예시한 도면들로서, 도 17은 드론의 프로펠러 밸런스 이상 상태에서 1KHz 구간에 대한 유클리드 거리(D)의 평균값을 예시한 도면이고, 도 18은 드론의 프로펠러 밸런스 이상 상태에서 100Hz 구간에 대한 유클리드 거리(DL)의 평균값을 예시한 도면이다.
도 17에 예시된 값들을 이용하여 유클리드 거리(D)를 산출하는 계산식이 수학식 1에 예시되어 있다.
이 때, d는 100Hz 단위 샘플구간의 수를 나타내며, 상기 예에서 그 값은 10이다.
한편, 도 18에 예시된 값들을 이용하여 유클리드 거리(DL)를 산출하는 계산식이 수학식 2에 예시되어 있다.
이 때, d는 하모닉 피크 수를 나타내며, 상기 예에서 그 값은 6이다.
상기 수학식 1 및 수학식 2를 참조하면, 프로펠러 밸런스 이상 상태에서, 1KHz 대역에서의 유클리드 거리(D)는 20.33이고, 100Hz 대역에서의 유클리드 거리(DL)는 37.10이다.
일반적으로 정상 상태에서 샘플링된 실험 데이터를 기반으로 유클리드 거리(Dnormal)를 구하면 대부분 수학식 3과 같다.
따라서, 상기 수학식 1 및 수학식 2에서 산출된 값에 의해 드론의 이상 동작 여부를 결정하는 것은 충분히 유의미한 것이다.
즉, 본 발명은 상기한 바와 같은 방법으로 드론의 이상 동작 여부를 사전에 감지하고, 이로 인해 사고를 미연에 방지할 수 있는 장점이 있다.
상술한 예시적인 시스템에서, 방법들은 일련의 단계 또는 블록으로써 순서도를 기초로 설명되고 있지만, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다.
또한, 당업자라면 순서도에 나타낸 단계들이 배타적이지 않고, 다른 단계가 포함되거나 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.
Claims (14)
- 초소형 센서로 구현되어, 드론 구동시 발생하는 진동 원시 데이터를 수집하는 진동센서부;
상기 진동센서에서 수집된 진동 원시 데이터 중 상기 드론의 이상 진단을 위해 유효한 주파수 대역만을 통과시키는 필터부;
상기 필터부를 통과한 시간영역의 데이터를 주파수 영역으로 변환한 후 점검 데이터로 출력하는 변환부;
상기 드론이 정상상태일 때의 진동 데이터를 기준 데이터로 미리 저장하고, 상기 변환부에서 출력된 점검 데이터와 상기 기준 데이터를 비교하여 상기 드론의 이상 여부를 감지하는 이상 감지부; 및
상기 드론에 대하여 임의의 고장 상황을 연출하여 나타난 주파수 패턴을 검출하고, 그 결과에 의거하여 상기 유효한 주파수 대역을 결정하는 유효 주파수 결정부를 포함하는 것을 특징으로 하는 드론의 이상 진단 장치. - 삭제
- 제1항에 있어서, 상기 유효 주파수 결정부는
상기 유효한 주파수 대역 내에 존재하는 주파수 대역 중 프로펠러의 회전 속도에 따라 하모닉(harmonics)이 발생되는 영역에 대하여 특별 분류하여 데이터를 처리하는 것을 특징으로 하는 드론의 이상 진단 장치. - 제1항에 있어서, 상기 변환부는
상기 필터부를 통과한 주파수 대역의 신호들 중, 일부만을 푸리에 변환하는 패스트 푸리에 변환(FFT: Fast Fourier Transform)을 수행하는 것을 특징으로 하는 드론의 이상 진단 장치. - 제1항에 있어서, 상기 이상 감지부는
소정의 조건에 의거하여 다수의 진동 데이터들을 수집한 후 상기 다수의 진동 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성하고,
상기 기준 데이터와 상기 점검 데이터의 유클리드 거리값(D)을 계산하고,
상기 유클리드 거리값(D)을 미리 설정된 임계값(Dth)과 비교하여 상기 드론에 이상이 발생했는지 여부를 결정하는 것을 특징으로 하는 드론의 이상 진단 장치. - 제5항에 있어서, 상기 이상 감지부는
상기 드론의 이상 진단을 위해 유효한 주파수 대역인 제1 주파수 대역의 주파수에 대하여, 일정 주파수 간격으로 정상 상태의 진동 데이터를 수집하고, 그 수집된 데이터들의 평균 벡터를 산출하고,
상기 드론의 회전속도에 따른 하모닉(harmonic)이 발생되는 주파수 대역인 제2 주파수 대역의 주파수에 대하여, 상기 하모닉의 피크치를 평균 벡터로 산출하는 것을 특징으로 하는 드론의 이상 진단 장치. - 제6항에 있어서, 상기 이상 감지부는
상기 드론의 프로펠러의 회전속도가 특정 속도 이상인 경우, 미리 설정된 소정의 기준 속도에 도달할 때마다 상기 기준 데이터를 생성하는 것을 특징으로 하는 드론의 이상 진단 장치. - 드론이 정상 상태일 때의 진동 데이터를 학습하여 기준 데이터로 생성하는 기준 데이터 생성 단계;
초소형 센서를 이용하여, 드론 구동시 발생하는 진동 원시 데이터를 수집하는 데이터 수집단계;
상기 수집된 진동 원시 데이터 중 상기 드론의 이상 진단을 위해 유효한 주파수 대역만을 선택하는 필터링 단계;
상기 필터링 단계에서 선택된 시간영역의 데이터를 주파수 영역으로 변환한 후 점검 데이터로 출력하는 변환 단계;
상기 점검 데이터와 상기 기준 데이터를 비교하여 상기 드론의 이상 여부를 감지하는 이상 감지단계; 및
상기 드론에 대하여 임의의 고장 상황을 연출하여 나타난 주파수 패턴을 검출하고, 그 결과에 의거하여 상기 유효한 주파수 대역을 결정하는 주파수 대역 결정단계를 포함하는 것을 특징으로 하는 드론의 이상 진단 방법. - 삭제
- 제8항에 있어서, 상기 기준 데이터 생성 단계는
소정의 조건에 의거하여 다수의 진동 데이터를 수집한 후 상기 다수의 진동 데이터들의 평균 벡터를 산출하여 기준 데이터를 생성하는 평균벡터 산출단계를 포함하는 것을 특징으로 하는 드론의 이상 진단 방법. - 제10항에 있어서, 상기 평균벡터 산출단계는
상기 드론의 이상 진단을 위해 유효한 주파수 대역인 제1 주파수 대역의 주파수에 대하여, 일정 주파수 간격으로 정상 상태의 진동 데이터를 수집하고, 그 수집된 데이터들의 평균 벡터를 산출하는 제1 평균 벡터 산출 단계; 및
상기 드론의 회전속도에 따른 하모닉(harmonic)이 발생되는 주파수 대역인 제2 주파수 대역의 주파수에 대하여, 상기 하모닉의 피크치를 평균벡터로 산출하는 제2 평균 벡터 산출 단계를 포함하는 것을 특징으로 하는 드론의 이상 진단 방법. - 제8항에 있어서, 상기 기준 데이터 생성 단계는
상기 드론의 프로펠러의 회전속도가 특정 속도 이상인 경우, 미리 설정된 소정의 기준 속도에 도달할 때마다 상기 기준 데이터를 생성하는 것을 특징으로 하는 드론의 이상 진단 방법. - 제8항에 있어서, 상기 변환 단계는
상기 필터링 단계에서 선택된 주파수 대역의 신호들 중, 일부만을 푸리에 변환하는 패스트 푸리에 변환(FFT: Fast Fourier Transform)을 수행하는 것을 특징으로 하는 드론의 이상 진단 방법. - 제8항에 있어서, 상기 이상 감지 단계는
상기 기준 데이터와 상기 점검 데이터의 유클리드 거리값(D)을 계산하는 거리 계산단계; 및
상기 유클리드 거리값(D)을 미리 설정된 임계값(Dth)과 비교하여 상기 드론에 이상 발생 여부를 결정하는 비교 단계를 포함하는 것을 특징으로 하는 드론의 이상 진단 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190147126A KR102261899B1 (ko) | 2019-11-15 | 2019-11-15 | 드론의 이상 진단장치 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190147126A KR102261899B1 (ko) | 2019-11-15 | 2019-11-15 | 드론의 이상 진단장치 및 그 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210059543A KR20210059543A (ko) | 2021-05-25 |
KR102261899B1 true KR102261899B1 (ko) | 2021-06-07 |
Family
ID=76145785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190147126A KR102261899B1 (ko) | 2019-11-15 | 2019-11-15 | 드론의 이상 진단장치 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102261899B1 (ko) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102373475B1 (ko) * | 2021-07-26 | 2022-03-14 | 한국전력기술 주식회사 | 가속도 센서를 이용한 드론의 비행상태 모니터링 시스템 및 방법 |
KR20230157054A (ko) | 2022-05-09 | 2023-11-16 | 주식회사 센서피아 | 전기 이동체의 이상 진단 장치 |
KR20240044280A (ko) | 2022-09-28 | 2024-04-04 | (주)위플로 | 드론의 구동 시스템 진단용 센싱 구조체 및 이를 포함하는 블록 타입의 드론의 구동 시스템 진단장치 |
KR20240060910A (ko) | 2022-10-31 | 2024-05-08 | (주)가이온 | 드론 비행 관제 및 장애진단 시스템과 방법 |
KR20240082428A (ko) | 2022-12-01 | 2024-06-11 | (주)위플로 | 드론의 구동 시스템용 폴딩형 진단장치 |
KR20240095551A (ko) | 2022-11-25 | 2024-06-26 | 세종대학교산학협력단 | 멀티콥터의 센서 고장 탐지 및 비행 회복 방법 및 장치 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114394256B (zh) * | 2022-01-11 | 2024-05-10 | 四川一电航空技术有限公司 | 无人机的振动可视化分析装置及无人机 |
CN116304695B (zh) * | 2023-03-07 | 2024-04-09 | 珠海紫燕无人飞行器有限公司 | 一种基于卷积神经网络预测无人机震动故障的方法及*** |
CN117906934A (zh) * | 2024-02-01 | 2024-04-19 | 苏州光格科技股份有限公司 | 一种异常振动检测方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011237459A (ja) * | 2011-08-31 | 2011-11-24 | Nsk Ltd | 異常診断装置、回転装置及び異常診断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170111946A (ko) * | 2016-03-30 | 2017-10-12 | 주식회사 유비마이크로 | 멀티 로터형 드론의 사고 및 고장 예측을 위한 복합 데이터 기록 및 분석 시스템 |
-
2019
- 2019-11-15 KR KR1020190147126A patent/KR102261899B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011237459A (ja) * | 2011-08-31 | 2011-11-24 | Nsk Ltd | 異常診断装置、回転装置及び異常診断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102373475B1 (ko) * | 2021-07-26 | 2022-03-14 | 한국전력기술 주식회사 | 가속도 센서를 이용한 드론의 비행상태 모니터링 시스템 및 방법 |
KR20230157054A (ko) | 2022-05-09 | 2023-11-16 | 주식회사 센서피아 | 전기 이동체의 이상 진단 장치 |
KR20240044280A (ko) | 2022-09-28 | 2024-04-04 | (주)위플로 | 드론의 구동 시스템 진단용 센싱 구조체 및 이를 포함하는 블록 타입의 드론의 구동 시스템 진단장치 |
KR20240060910A (ko) | 2022-10-31 | 2024-05-08 | (주)가이온 | 드론 비행 관제 및 장애진단 시스템과 방법 |
KR20240095551A (ko) | 2022-11-25 | 2024-06-26 | 세종대학교산학협력단 | 멀티콥터의 센서 고장 탐지 및 비행 회복 방법 및 장치 |
KR20240082428A (ko) | 2022-12-01 | 2024-06-11 | (주)위플로 | 드론의 구동 시스템용 폴딩형 진단장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20210059543A (ko) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102261899B1 (ko) | 드론의 이상 진단장치 및 그 방법 | |
KR101818394B1 (ko) | 설비 상태 진단 방법 및 장치 | |
KR102166649B1 (ko) | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
KR102393095B1 (ko) | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 | |
CN105651376B (zh) | 机械设备离线检测***振动信号频谱分析和报警方法 | |
JP4100413B2 (ja) | 設備監視方法および設備監視装置 | |
JP6849446B2 (ja) | 振動監視システム | |
KR101967301B1 (ko) | 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
KR102301201B1 (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
KR102374980B1 (ko) | 복합센서 기반의 인공지능형 결함 진단 시스템 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
Janeliukstis | Continuous wavelet transform-based method for enhancing estimation of wind turbine blade natural frequencies and damping for machine learning purposes | |
CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及*** | |
Khan et al. | System design for early fault diagnosis of machines using vibration features | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
JP2018189522A (ja) | 設備故障の予兆診断方法 | |
Thanagasundram et al. | A fault detection tool using analysis from an autoregressive model pole trajectory | |
KR101752298B1 (ko) | 회전익 진동 기반 건전성 감시 장치 및 이를 이용하는 감시 방법 | |
KR102193381B1 (ko) | 기계 학습을 이용한 팬의 운전 건전성 평가 시스템 및 방법 | |
Vasiliev et al. | Pump fault detection using autoencoding neural network | |
Sharrar et al. | Intelligent Vibration Analysis of Industrial Cooling Fans | |
TWI398629B (zh) | Equipment supervision method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |