KR102676859B1 - 모터 관리 장치 - Google Patents

모터 관리 장치 Download PDF

Info

Publication number
KR102676859B1
KR102676859B1 KR1020230072836A KR20230072836A KR102676859B1 KR 102676859 B1 KR102676859 B1 KR 102676859B1 KR 1020230072836 A KR1020230072836 A KR 1020230072836A KR 20230072836 A KR20230072836 A KR 20230072836A KR 102676859 B1 KR102676859 B1 KR 102676859B1
Authority
KR
South Korea
Prior art keywords
motor
data
failure
unit
learning
Prior art date
Application number
KR1020230072836A
Other languages
English (en)
Inventor
박철우
김복년
임다니엘지섭
Original Assignee
주식회사 크로커스
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 크로커스 filed Critical 주식회사 크로커스
Priority to KR1020230072836A priority Critical patent/KR102676859B1/ko
Application granted granted Critical
Publication of KR102676859B1 publication Critical patent/KR102676859B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34Testing dynamo-electric machines
    • G01R31/343Testing dynamo-electric machines in operation
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02KDYNAMO-ELECTRIC MACHINES
    • H02K11/00Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection
    • H02K11/30Structural association with control circuits or drive circuits
    • H02K11/35Devices for recording or transmitting machine parameters, e.g. memory chips or radio transmitters for diagnosis
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/38Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/37Measurements
    • G05B2219/37378Balance of workpiece from vibration sensor and angle sensor

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 모터 관리 장치는 사업장에 마련되는 모터의 진동 데이터를 수집하는 진동 센서, 진동 데이터의 패턴에 따라 미리 분류된 고장 유형별로 모터의 고장 여부 또는 고장 유형을 판단하지 않고, 진동 데이터를 이용해 스스로 학습하는 온라인 학습부를 포함할 수 있고, 온라인 학습부에 의한 모터의 고장 여부나 고장 유형에 대한 예측 또는 추론을 포함하는 관리 데이터는 상기 사업장의 사업자 또는 작업자의 단말기로 전송될 수 있으며, 단말기로 전송된 관리 데이터에 따라, 상기 사업장의 사업자 또는 작업자의 후속 조치가 상기 단말기에 수행될 수 있다.

Description

모터 관리 장치 및 모터 관리 방법{Motor management device and motor management method}
본 발명은 모터 등의 회전체 설비에 부착된 센서로부터 획득된 진동 데이터를 이용한 모터 관리 장치 및 모터 관리 방법에 대한 것이다.
각 사업장에 구비된 모터 등과 같이 일정 주기로 회전하는 회전체 설비의 고장 진단시, 발생하는 모터 회전과 상관 관계가 있는 진동 또는 진동 주파수를 이용할 수 있다.
모터 등의 분석대상이 되는 회전체의 전류 신호에 기반해 결함을 진단하는 내용이 개시된 개시된 기존 특허들이 있다. 출원번호 10-2021-0064961 건에는, 베어링 고장 진단 장치가 모터 3상 전류 신호를 수신, 모터 3상 전류 신호에 대한 디노이징, 디노이징된 모터 3상 전류 신호를 1상 전류 신호로 변환, 1상 전류 신호를 기반으로 특성 인자를 결정, 및 특성 인자를 기반으로 베어링의 결함 여부를 결정하는 단계가 제공되며, 특히 모터의 베어링 결함을 독립적으로 진단할 수 있는 특성 인자를 이용하는 것이 개시되어 있다.
이와 같이, 기존에는 회전체 설비의 전류, 전압, 전력 등의 전기 관련 데이터를 변조/가공한 것을 이용하는 것이 많고, 특히 FFT(Fast Fourier Transform), STFT(Short Time Fourier Transform) 등의 주파수 분석을 이용한 전력 예측을 하여, 얻어진 주파수 성분별 진폭에 따라 고장 또는 오류 발생을 룰베이스로 판정하는 것이 대다수이다.
본 발명은, 사업자 고객이 단말기를 통해 입력하는 기입 데이터와, 진동 센서로부터 획득한 진동 데이터를 상호 얼라인함으로써 더 효율적으로 인공지능 학습 데이터를 축적할 수 있고, 학습 모델을 실제 현장에서 발생하는 현상에 맞도록 학습 단계에서 피팅할 수 있으며, 사람에 의해 입력되는 기입 데이터의 오류 부분이나 노이즈에 해당하는 부분을 얼라인 단계 또는 학습 단계에서 자동적으로 제거할 수 있다.
본 발명의 모터 관리 장치는 사업장에 마련되는 모터의 진동 데이터를 수집하는 진동 센서, 진동 데이터의 패턴에 따라 미리 분류된 고장 유형별로 모터의 고장 여부 또는 고장 유형을 판단하지 않고, 진동 데이터를 이용해 스스로 학습하는 온라인 학습부를 포함할 수 있고, 온라인 학습부에 의한 모터의 고장 여부나 고장 유형에 대한 예측 또는 추론을 포함하는 관리 데이터는 상기 사업장의 사업자 또는 작업자의 단말기로 전송될 수 있으며, 단말기로 전송된 관리 데이터에 따라, 상기 사업장의 사업자 또는 작업자의 후속 조치가 상기 단말기에 수행될 수 있다.
본 발명은 분석 대상인 모터를 포함하는 회전체에 진동 센서를 부착시키고, 관련 앱을 배포하는 것만으로 사업장에 구비된 모터 관리 장치 또는 방법에 대한 플랫폼 서비스를 제공할 수 있다.
본 발명에 따르면, 진동 센서로부터 획득된 진동 데이터 자체를 이용한 제1 학습을 하고, 이에 더해 사업자의 기입 데이터를 업데이트한 제2 학습을 할 수 있다. 따라서, 기존에 이미 알려진 고장 유형 뿐 아니라 새로운 고장 유형도 파악할 수 있다. 특히 실제 산업체의 사업장 현장에서는 이미 알려진 고장 유형보다 훨씬 다양한 이유로 인한 고장이 발생하므로, 모터 자체는 물론 모터를 제외한 나머지 설비를 포함하는 불규칙한 다양한 고장 유발 인자들 중 어떤 인자에서 고장이 발생한 것인지 신속하고 정확히 파악할 수 있다.
본 발명에 따르면, 일반적으로 비용을 들여 수집하고 가공하는 인공지능 데이터셋 구축 방법을 더 개선할 수 있고, 모터 고장 진단을 위해 제공하는 플랫폼 서비를 통해 관리 데이터를 수집할 수 있으며, 관리하는 사업장이 늘어감에 따라 기개발된 학습 모델을 지속적으로 자동으로 업데이트할 수 있으므로, 사업자 고객측이나 모터 관리 장치의 운영자측 모두에게 효율적일 수 있다.
이와 같이, 본 발명은 모터의 진동 데이터를 이용한 자기 학습으로 인한 고장 예측의 장점에 숙련된 현장 엔지니어의 기입 데이터를 더해, 학습을 더 고도화함으로써, 고장 예측 진단에 걸리는 시간을 단축할 수 있고, 실제 모터가 설치된 사업장 현장 상황을 반영하여 고장 예측 진단의 정확도를 높일 수 있다.
도 1은 본 발명의 모터 관리 장치의 구성도이다.
도 2는 본 발명의 제1 관리 모드와 제2 관리 모드에 대한 설명도이다.
도 3 및 도 4는 본 발명의 모터 관리 방법의 흐름도이다.
도 5는 본 발명의 학습 단계의 일 실시 예이다.
도 6은 본 발명의 모터 관리 장치가 사업자 고객 단말기에 배포된 앱을 통해 구현된 적어도 일부 화면이다.
도 1 내지 도 6을 참조하여, 본 발명의 모터 관리 장치 및 모터 관리 방법에 대해 설명한다.
도 1을 참조하면, 본 발명의 모터 관리 장치는 서버(200), 또는 고객 단말기(100)에 앱 방식으로 배포되어 구현되거나 상기 서버(200)에 포함되는 구성 요소를 포함할 수 있다. 상기 구성 요소에는 모니터링부(110), 기입부(110), 및 이력 확인부(150) 중 적어도 하나가 포함될 수 있다. 본 발명의 서버(200)는 데이터 저장부(210), 온라인 학습부(230), 얼라인부(270), 제어부(290), 및 오프라인 학습부(250) 중 적어도 하나를 포함할 수 있다. 오프라인 학습부(250)에 의한 학습 또는 추론은 복수의 사업장의 진동 데이터를 다루는 등의 이유로 별도의 서버나 연산 인프라 시설에서 수행될 수 있다.
제어부(290)는 특별한 언급이 없는 경우 모터 관리 장치의 구성 요소 간에 상호 동작이나 연계를 위한 제어 행위를 할 수 있다.
이하 모터(10)는 사업장에서 일정 주기로 회전하는 회전체 설비를 포함하는 의미로 사용될 수 있다.
기존의 회전체의 전기 관련 데이터를 주파수 분석 등에 의한 룰베이스로 고장 유형을 판정하는 경우, 모터 컨트롤러나 인버터와 통신 수단, 또는 hall effect 센서 등과 같이 부차적인 설비가 요구될 수 있고, 해당 설비의 정보를 처리하여 다시 서버(200)로 올리는 인프라의 추가 등이 필요할 수 있다. 이로 인한 사업장의 비용 부담이 가중되어 모터 관리 플랫폼을 제공하려는 본 발명의 사업성이나 상품성이 떨어질 수 있다.
이에 비해, 본 발명은 분석 대상인 모터(10)를 포함하는 회전체에 진동 센서(50)를 부착시키고, 진동 센서(50)와 관련된 앱을 배포하는 것만으로 사업장에 대한 모터 관리 장치 또는 방법에 대한 플랫폼 서비스 제공 준비가 완료될 수 있다.
사업장의 모터(10)에 설치된 진동 센서(50)로부터 획득된 진동 데이터는, 진동 센서(50), 또는 진동 센서(50)로부터 진동 데이터를 전송받고 해당 사업장 내 마련되는 통신 수단으로부터, 사업자의 단말기(100) 또는 서버(200)로 전송될 수 있다.
본 발명의 진동 센서(50)는 모터(10) 등의 회전체에 부착되어 함께 진동하며 관성력, 가속도, 속도, 변위, 또는 진동가속도 등을 측정하는 가속도계(accelerometer) 타입일 수 있다. 진동 센서(50)는 압전 센서(Piezoelectric sensor), 또는 MEMs(Micro Electro Mechanical Systems) 기반 IEPE 또는 ICP 진동 센서(50)를 포함할 수 있다.
진동 센서(50)는 BLE, Wifi 등을 포함하는 무선 타입 또는 유선 타입을 포함할 수 있고, 진동 센서(50)의 종류에 따라 별도의 로컬 허브로 기능하는 통신 수단이 사업장 내 구비될 수 있으며, modbus, mqtt, tcp/ip 등의 프로토콜을 사용할 수 있다.
진동 센서(50)는 본 발명의 모터 관리 장치를 운영하는 주체가 사업장 현장에 가서 부착하거나, 사업장의 사업자가 자체적으로 구입해서 부착할 수 있으나, 본 발명의 운영자가 이전에 다른 사업장에서 수행한 모터 관리에 기초해, 각 모터별로 가장 최적의 진동 데이터가 수집된 진동 센서(50)를 제공하는 것이 바람직할 수 있다.
앱은 본 발명의 운영 주체(운영자)가 각 사업장의 사업자의 단말기(100)로 배포한 것일 수 있다. 진동 데이터 전송을 위한 별도의 통신 수단이 로컬로 사업장에 마련될 수 있다. 진동 센서(50)의 종류에 따라 이러한 통신 수단을 포함할 수 있다. 본 발명의 진동 센서(50)는 모터(10)로부터 획득된 진동 데이터를 단말기(100) 또는 서버(200)로 전송하는 통신 수단을 포함하는 것과 혼용될 수 있다.
본 발명은 진동 센서(50)로부터 측정된 진동 데이터를 포함하는 고장 진단과 관련된 데이터를 저장하는 데이터 저장부(210)를 포함할 수 있다. 데이터 저장부(210)는 진동 센서(50)로부터 취득된 진동 데이터를 소정의 주기에 따라 전송받을 수 있고, 각 진동 센서(50) 고유의 정보, 사업장에 대응하는 고객 고유 번호 등 진동 데이터를 특정할 수 있는 정보를 포함할 수 있다.
본 발명의 학습은 진동 데이터의 패턴에 따라 고장 유형별로 미리 분류한 룰베이스 방식이 아닌 진동 데이터만으로 스스로 학습하는 방식일 수 있다.
룰베이스 방식인 경우, 고장 진단 정확도와 판단 속도가 상당히 빨라질 수 있으나, 방대한 데이터셋을 요구하고, 이러한 데이터 구축에는 막대한 시간과 비용이 필요할 수 있다. 즉, 엔지니어와 전문가가 모터의 고장을 파악하여 각 고장 유형별 데이터셋 수집하는데는 엔지니어와 데이터 전문가, 설비 등 상당한 비용이 소요될 수 있다. 일 예로, 정부 프로젝트로 진행된 4가지 고장 유형 300기가 100만건 데이터는 구축에 사업비 18억 원이 소요된바 있다.
또한, 고장 유형 분류 룰을 세우기 위해 모터(10)에 진동 센서(50)를 부착하고 실제로 고장이 발생할 때를 기다리는 경우, 내구성이 좋은 산업체 장비 특성상, 고장이 흔한 일이 아니며, 막연히 고장나기를 기다렸다가는 고장 관련 빅데이터를 수집하는 것이 현실적으로 어려운 구조일 수 있다. 예를 들어, 5 ~ 10 년에 한번씩 고장나는 산업체 장비 고장 데이터를 10개 수집하려면 산술적으로 50 ~ 100 년이 필요할 수 있다.
본 발명은 고장 유형 파악 또는 경보, 및 고장 경보에 이르는 시간을 단축하기 위해 진동 데이터를 이용한 학습에 더해, 사업자 또는 작업자가 기입하는 기입 데이터를 이용하는 특징을 가질 수 있다.
만일 진동 데이터를 본 발명의 모터 관리 장치의 운영자만 전송받아 활용하고 사업장의 사업자는 모터 고장 발생 또는 그 발생한 고장 유형 등의 정보를 별도의 수단을 통해서 이원화되어 운영자에게 알리는 방식인 경우, 이원화된 데이터를 상호 매칭하거나, 진위 여부를 따지는 것이 오히려 비용을 증가시키고 처리 시간을 지연시키는 부담이 될 수 있다.
또한, 사업자의 기입 데이터를 그대로 모터 고장 유형 판단의 기준으로 세우는 경우에도, 사업자의 주관적 경험, 숙련도에 너무 의존하게되며, 실수로 인한 오기재가 있어도 바로잡는데 상당한 시간이 지연될 수 있다.
본 발명은 진동 센서(50)로부터 획득된 진동 데이터 자체를 이용한 제1 학습(S210)을 하고, 이에 더해 작업자의 기입 데이터를 업데이트한 제2 학습(S270)을 할 수 있다. 따라서, 본 발명에 따르면, 기존에 이미 알려진 고장 유형 뿐 아니라 새로운 고장 유형도 파악할 수 있다. 특히 실제 산업체의 사업장 현장에서는 이미 알려진 고장 유형보다 훨씬 다양한 이유로 인한 고장이 발생하므로, 모터(10) 자체는 물론 모터(10)를 제외한 나머지 설비를 포함하는 불규칙한 다양한 고장 유발 인자들 중 어떤 인자에서 고장이 발생한 것인지 신속하고 정확히 파악할 수 있다.
온라인 학습부(230) 또는 오프라인 학습부(250) 등에 의한 본 발명의 학습은 진동 데이터를 이용한 머신러닝 또는 딥러닝을 포함할 수 있다. 본 발명은 고장 유형별 진동의 고유 특징을 스스로 학습하는 방식으로서, 새로운 고장 유형을 추가 학습하는 등의 기능 추가가 용이하고, 스스로 추출한 특성에 근거해 학습하는 인공지능 모델을 사용할 수 있어 사업자나 엔지니어가 특징을 추출하기 어려운 고장 유형에 대해서도 고장 진단이 가능한 이점이 있다.
본 발명의 모터 관리 장치의 운영 주체는 복수의 사업장에 대한 관리 서비스 또는 관리 플랫폼을 제공할 수 있고, 그 과정에서 축적된 관리 데이터에 기초해 학습 모델을 더욱 업그레이드할 수 있으므로, 더 양질의 정확하고 신속한 모터 고장 진단 서비스를 제공할 수 있다.
따라서, 모터(10)를 포함하는 사업장의 사업자는 막대한 비용을 들여 모터 고장을 포함하는 관리 데이터 구축에 들어가는 비용 대신에, 진동 센서(50) 및 앱 설치만으로 서비스를 제공받을 수 있다. 모터 관리 장치의 운영자는 해당 사업장의 고장 유형을 포함한 모터별 관리 데이터를 백데이터로 취할수 있고, 현장 상황이나 모터에 따른 다양한 유형의 고장 유형을 취득할 수 있으며, 축적된 빅데이터로 더 개선된 학습 모델링을 할 수 있다.
본 발명은, 사업자 고객이 단말기(100)를 통해 입력하는 기입 데이터와, 진동 센서(50)로부터 획득한 진동 데이터를 상호 얼라인(align, 정렬)함으로써 더 효율적으로 인공지능 학습 데이터를 축적할 수 있고, 학습 모델을 실제 현장에서 발생하는 현상에 맞도록 학습 단계(S200)에서 피팅할 수 있으며, 사람에 의해 입력되는 기입 데이터의 오류 부분이나 노이즈에 해당하는 부분을 얼라인 단계(S250) 또는 학습 단계(S200)에서 자동적으로 제거할 수 있다.
이와 같이, 본 발명은 모터(10)의 진동 데이터를 이용한 자기 학습으로 인한 고장 예측의 장점에 숙련된 현장 엔지니어의 기입 데이터를 더해, 학습을 더 고도화함으로써, 고장 예측 진단에 걸리는 시간을 단축할 수 있고, 실제 모터(10)가 설치된 사업장 현장 상황을 반영하여 고장 예측 진단의 정확도를 높일 수 있다.
본 발명의 얼라인부(270)는 작업자가 단말기(100)를 통해 입력한 기입 데이터, 및 진동 센서(50)로부터 측정된 진동 데이터를 서로 대조하여, 과거 또는 현재의 진동 데이터, 및 기입 데이터의 고장 발생 시점을 상호 동기화할 수 있다. 즉, 얼라인부(270)는 기입 데이터 및 진동 데이터의 모터 고장과 관련된 시점을 상호 동기화할 수 있다.
얼라인부(270)의 얼라인(align, 정렬)은 작업자의 입력 시간 지연, 또는 통신 네트워크 지연, 사람이 인식가능한 고장 유형 파악까지 걸리는 시간 등의 이유로, 기입 데이터 및 진동 데이터 간의 시점을 상호 일치시키는 것일 수 있다.
얼라인부(270)의 얼라인(align, 정렬)은 학습 또는 추론에 의한 고장 진단 결과 및 기입 데이터를 매칭하여, 모터 고장 유형에 대한 학습 또는 추론을 업데이트하는 것일 수 있다.
얼라인부(270)는 기입 데이터가 전송되면, 진동 데이터를 이용한 학습 또는 추론의 결과에 기입 데이터를 자동 알고리즘에 의해 상호 자동적으로 정렬할 수 있다.
얼라인부(270)의 자동 알고리즘은 1차로 진동 데이터를 전사(transcript)하여 기입 데이터와 매칭되는 대략적인 지점을 찾고, 2차로 1차의 대략적인 지점 간의 매칭 이후 더욱 정밀하고 고속으로 상호 매칭되는 지점을 찾는 것일 수 있다.
얼라인부(270)는 작업자가 모터(10)의 고장 유형과 시점을 포함하는 기입 데이터를 이용해, 진동 데이터에서 모터 이상이 발생한 시점을 역으로 추정 또는 추적할 수 있다. 고장 발생 시점 역추정 또는 역추적시, 이상탐지 추론부(234)가 사용될 수 있다.
고장인지 아닌지 애매한 부분(threshold 부근), 상호 고장 유형에 있어 일치하지 않는 부분(misalignment 오류)이 발생할 수 있고, 이러한 부분들의 데이터를 제거할지 채택할지를 결정하는 기준이 미리 설정될 수 있다.
채택 기준은 관리 대상인 모터(10)에 따라 미리 결정될 수 있으나, 본 발명은 측정한 진동 데이터, 및 입력한 기입 데이터를 상호 보완적으로 사용하여 고장 예측을 하므로, 상기 고장 판단이 애매하거나, 두 데이터 간에 미스매치되는 부분은 최대한 제거 또는 제외하는 방식을 통해 신뢰도 높은 데이터만 채택될 수 있다.
본 발명은 진동 센서(50)로부터 측정된 진동 데이터를 이용해, 모터(10)의 고장 여부를 판단하거나 고장 유형을 분별하는 학습부를 포함할 수 있다.
본 발명의 학습부는 온라인 학습부(230) 또는 오프라인 학습부(250)를 포함할 수 있다.
온라인 학습부(230)는 이상탐지 학습부(232), 이상탐지 추론부(234), 및 분류 추론부(236) 중 적어도 하나를 포함할 수 있다.
고장 진단 또는 예측의 일 실시 예로, 이미 알려진 고장 유형뿐 아니라 알려지지 않은 고장 유형도 탐지하면서도 정확도를 개선하기 위해, 먼저 이상탐지 추론부(234)에 의해 정상 여부를 판단한 이후, 분류 추론부(236)에 의해 이상탐지 학습부(232)에서 학습한 고장 유형 중 하나로 고장 유형을 채택할 수 있다.
이상탐지 학습부(232)는 모터(10)에 부착된 진동 센서(50)로부터 측정된 진동 데이터를 이용해, 해당 모터(10)의 상태를 정상 또는 비정상(고장)으로 판단(추론)하기 위한 학습을 하는 것일 수 있다.
진동 데이터는 모터(10)가 가동되는 동안 연속적으로 발생되고 전송되는 것이므로, 이상탐지 학습 기간은 자유롭게 선택될 수 있다. 학습 기간은 처음 진동 센서(50)를 부착한 후 초기의 일정 기간(예를 들어, 1 내지 2 주간)일 수 있다. 초기 학습 기간 동안에는 이상탐지 추론부(234) 또는 분류 추론부(236)는 추론을 하지 않고, 대기할 수 있으며, 추론(고장 여부 판단, 고장 유형 판단)은 학습 기간 이후로 연장될 수 있다.
이상탐지 학습부(232)의 학습, 및 이상탐지 추론부(234) 또는 분류 추론부(236)의 추론은 그 수행시기가 적어도 일부 겹칠 수 있으나, 학습 및 추론의 개념을 명확히 하기 위해 상호 수행 시기가 겹치지 않는 실시 예로 설명한다.
이상탐지 학습부(232)의 학습 기간은 모터(10)의 현장 상황에 따라 그 예측 결과가 바뀔수 있으므로, 계절별, 월별 또는 모터 가동 수요별 등의 요인에 따른 모터 동작 상황을 반영할 수 있도록 설정될 수 있다.
이상탐지 추론부(234)는 이상탐지 학습부(232)의 학습 기간이 종료된 시점 이후부터의 측정된 진동 데이터로부터 모터(10)의 고장 여부를 진단 또는 예측할 수 있다.
진동 데이터로부터 그 경향성을 파악해 예측되는 진동 데이터를 이용해 고장 여부를 판단한다면 미래의 모터 고장을 예측할 수 있을 것이다. 한편, 본 발명의 추론에서 의미하는 예측은, 미래 진동 데이터를 예측한 후 그로부터 추론 또는 진단 하는 경우뿐 아니라, 미래 진동 데이터를 예측하지 않고 현재 실시간으로 측정되는 진동 데이터로부터 추론 또는 진단을 수행하는 경우에도, 실제 모터(10)의 고장이 발생하기 이전에 미리 진동 데이터에서는 그 징후가 나타나는 특성을 반영한 것일 수 있다. 따라서, 본 발명의 이상탐지 추론부(234) 또는 분류 추론부(236)에 의한 추론은 예측 또는 진단과 혼용될 수 있다.
분류 추론부(236)는 이상탐지 추론부(234)에 의해 고장이라고 판단된 경우, 그 고장이 어느 유형에 포함되는지를 추론 또는 예측 하는 것일 수 있다.
이상탐지 추론부(234)에 의한 고장 예측, 또는 분류 추론부(236)에 의한 고장 유형 분류는 고객의 단말기(100)로 전송되어 경보 알람 방식으로 제공(S300)될 수 있다.
도 2를 참조하면, 진동 센서(50)는, 모터(10)의 종류에 따라 하나의 모터(11,12)에 복수개(51,52) 마련될 수 있고, 각 사업장에는 진동 센서(50)가 설치된 복수의 모터가 구비된 경우도 있다. 본 발명은 사업장을 단위로하여 그 현장에 맞춤형으로 학습 모델을 학습하여 그에 따른 고장 진단 등의 관리 데이터를 제공할 수 있고, 이를 제1 관리 모드라 할 수 있다.
개별 제1 관리 모드로부터 수집된 진단 데이터 또는 관리 데이터는 본 발명의 서버(200)로 전송되어 계속 축적되며, 서버(200)는 복수 사업장의 제1 관리 모드로부터 획득한 관리 데이터를 종합하여 학습하거나 다른 사업장의 모터 관리 서비스 제공시 이용하는 제2 관리 모드를 수행 또는 제공할 수 있다.
기입 데이터를 포함하는 관리 데이터에는 등록된 개별 모터에 대한 정보가 포함될 수 있다. 개별 모터 정보는 모터에 따라 제조사별, 종류별, 연식별 등 달라지며, 본 발명의 학습 또는 학습 모델을 더 고도화하며 다음 관리 서비스를 위한 빅데이터로 활용될 수 있다. 모터 정보에는 모터의 용량(kW), 모터(10)에 걸린 부하 정보(kg, 토크 등), 모터(10)의 유형, 공장라인 이름 또는 ID, 및 모터(10)의 이름 또는 ID 중 적어도 하나가 포함될 수 있다.
기입 데이터를 포함하는 관리 데이터는, 설비별, 작업자별, 시간별 점검 기록의 열람시 제공될 수 있고, 예견된 고장 여부, 고장의 종류, 수리의 긴급 정도, 또는 긴급 알림 서비스를 포함할 수 있다.
작업자의 단말기(100)에 제공되는 정보에는, 모터 건강상태 통계(예측 진단된 모터 동작 상태, 작업자가 평가한 모터 동작 상태 등을 포함), 고장 위험이 큰 모터 목록, 긴급 정도에 따른 긴급 수리 알람 등이 포함될 수 있다.
서버(200), 또는 서버(200)의 운영자의 단말기에 제공되는 정보에는, 작업자가 작성한 점검 기록, 고장 종류, 모터 동작 상태, 모터 사진/동영상/녹음파일, 모터 수리 내역, 모터 고장 확인 또는 수리 일자, 작업자가 판단한 최초 고장 발생일 등이 포함될 수 있다.
오프라인 학습부(250)는 실시간으로 측정되는 진동 데이터를 이용해 본 발명의 서버(200)에서 곧바로 학습하거나 추론하지 않을 수 있다. 오프라인 학습부(250)는 본 발명에 의한 학습 또는 추론의 신뢰도를 더 높이도록, 별도의 개발 서버(200) 또는 개발 컴퓨터에서 수행될 수 있다.
별개의 사업장에 속하는 진동 센서(50) 각각에 수행되는 학습 또는 추론의 결과를 포함하는 진단 데이터는 제1 관리 모드에 의해 수행될 수 있다. 복수의 사업장에서 수행된 제1 관리 모드에 의한 진단 데이터들은 취합되어 제2 관리 모드에 의해 별도로 수행될 수 있다.
오프라인 학습부(250)는 제2 관리 모드에 포함될 수 있다. 개별 사업장에서 수행된 제1 관리 모드에 의한 관리 데이터들은 오프라인 학습부(250)에 추가되어 알고리즘 또는 모델을 고도화하는데 이용될 수 있다. 예를 들어, 제1 관리 모드에 의한 개별 관리 데이터들은 오프라인 학습부(250)의 분류 추론부(236)에 의한 분류 모델(classification model)을 고도화하는데 활용될 수 있다.
도 3 및 도 4를 참조하여, 본 발명의 모터 진단 방법에 대해 설명한다.
도 3은 도 4의 모터 진단 방법 중 적어도 일부를 기입 데이터 및 진동 데이터 간의 상호 결합 관점에서 시간의 흐름에 따라 표현한 것일 수 있다.
도 4는 학습 단계(S200)의 일 실시 예를 나타낸 것이다.
본 발명의 모터 진단 방법은, 데이터 수집 및 데이터 전송 단계(S100), 학습 단계(S200), 고장 진단 단계(S300), 및 고도화 단계(S400) 중 적어도 하나를 포함할 수 있다.
데이터 수집 및 데이터 전송 단계(S100)에서, 모터(10)에 설치된 진동 센서(50)에서 진동 데이터가 수집될 수 있고, 수집된 진동 데이터는 서버(200) 또는 단말기(100)로 전송될 수 있다. 진동 데이터는 모터(10)에 부착된채로 실시간으로 계속적으로 측정되므로, 진동 데이터는 기설정된 전송 주기에 따라 계속 실시간으로 전송될 수 있다. 도면에서는 제1 학습(S210) 또는 제2 학습(S270)을 기준으로 전송되는 것으로 표시되었으나, 이는 대표적 예시이며 실제로는 계속적으로 서버(200)로 진동 데이터는 전송될 수 있다.
학습 단계(S200)에서, 진동 데이터, 및 작업자가 입력하는 기입 데이터를 이용해, 모터(10)의 고장 여부가 예측하거나, 고장 유형이 예측될 수 있다.
학습 단계(S200)는 제1 학습 단계(S210), 기입 데이터 단계(S230), 얼라인 단계(S250), 및 제2 학습 단계(S270) 중 적어도 하나를 포함할 수 있다.
제1 학습 단계(S210) 또는 제2 학습 단계(S270)는 이상탐지 학습부(232)에 의해 진동 데이터를 이용한 학습이 수행되는 이상탐지 학습 단계(S203)를 포함할 수 있다.
제1 학습 단계(S210) 또는 제2 학습 단계(S270)는, 학습 단계(S200)의 학습 또는 학습 모델에 기초해, 이상탐지 추론부(234)가 고장 여부를 예측 또는 진단하는 이상탐지 추론 단계(S205), 또는 분류 추론부(236)가 고장 유형을 예측 또는 진단하는 분류 추론 단계(S207)를 포함할 수 있다.
본 발명의 학습 및 추론은 추론의 결과가 학습에 다시 이용되는 등 각 단계들이 상호 반복적으로 한 곳의 출력이 다른 곳의 입력으로 이용될 수 있다. 제1 학습 단계(S210) 또는 제2 학습 단계(S270)에는 학습 단계(S200) 외에 추론 단계도 포함될 수 있다. 처리할 데이터량이 적거나, 고장 여부 판단 또는 고장 유형 판단(추론)이 명백히 간단히 수행되는 경우, 학습과 추론이 완전히 분리되는 경우도 가능하며, 이런 경우 학습 단계(S200)는 이상탐지 학습부(232)에 의해서만 수행되고, 고장 진단 단계(S300)는 이상탐지 추론부(234) 또는 분류 추론부(236)에 의해서만 수행될 수 있다.
추론의 제1 실시 예로, 이상탐지 추론부(234)에 의해 모터 고장 여부에 대한 추론이 먼저 수행되고(S205a), 분류 추론부(236)에 의한 모터 고장 유형 판단(S207)이 수행될 수 있다.
추론의 제2 실시 예로, 이상탐지 추론부(234)에 의해 모터 고장 여부에 대한 추론(S205b)만 수행될 수 있다.
제1 실시 예의 이상탐지 추론부(234)에 의한 추론(S205a)은, 제2 실시 예의 이상탐지 추론부(234)에 의한 추론(S205b)보다, 고장으로 설정하는 기준이 낮게 설정된 것일 수 있다. 즉, 제1 실시 예의 추론(S205a)은 제2 실시 예의 추론(S205b)에 비해, 조금만 정상 동작 상태라고 판단되는 패턴 기준에서 벗어나면 고장이라고 일단 판정내리는 것일 수 있다. 반대로, 제2 실시 예의 추론(S205b)은, 제1 실시 예의 추론(S205a)에 비해, 정상 동작 상태라고 판단하는 패턴 기준을 상당히 크게 잡아 왠만큼 벗어나서는 고장으로 판단하지 않는 것이므로, 제2 실시 예의 추론(S205b)의 경우 기존의 정형화된 모터 고장 유형으로 판단되지 않은 새로운 고장 유형을 찾아내는데 유리할 수 있다.
제1 학습 단계(S210)는 진동 데이터가 실시간으로 계속 전송되므로 연속적으로 수행될 수 있고, 제2 학습 단계(S270)는 기입 데이터가 전송되는 경우 간헐적으로 수행될 수 있다.
제1 학습 단계(S210) 또는 제2 학습 단계(S270)에 따르면, 고장 여부 또는 고장 유형 판단(추론)에 앞서 진동 데이터 또는 기입 데이터를 이용해 학습하는 것이 필요한데, 특히 모터(10)에 진동 센서(50)를 처음 설치한 경우, 설치 후 초기 단계(Early stage)에서는 전송되는 진동 데이터를 이용해 학습을 하는 학습 기간이 설정될 수 있다(S201).
초기 학습 단계(S200) 또는 초기 학습 기간(S201)이 완료되면, 그 이후에 전송되는 진동 데이터 또는 기입 데이터를 이용해 고장 여부 판단 또는 고장 유형 판단을 포함하는 추론이 시작될 수 있다.
이상탐지 학습부(232)에 의한 학습, 및 이상탐지 추론부(234) 또는 분류 추론부(236)에 의한 추론 이전이나 이후에는 데이터를 분석하거나 처리하는데 유리하도록 변환하는 데이터 처리 단계(S202,S209)가 수행될 수 있다.
데이터 전처리 단계(S202)에서, 진동 데이터 또는 기입 데이터는 필터링, 유형 변환, 정체 등에 의해 데이터 변환될 수 있다.
데이터 후처리 단계(S209)에서, 진동 데이터 또는 기입 데이터는 분석에 용이하도록 변환, 통합, 축소 등의 가공이 될 수 있다.
기입 데이터 단계(S230)는, 사업자 고객(작업자)의 단말기(100)를 통해 사업장 내의 모터(10)의 동작 상태를 모니터링하는 모니터링 단계(S232), 작업자가 기입부(110)에 기입 데이터를 입력하는 기입 데이터 생성 단계(S234), 및 입력된 기입 데이터가 서버(200)로 제공되는 기입 데이터 전송 단계(S234) 중 적어도 하나를 포함할 수 있다.
기입 데이터 생성 단계(S234)는, 작업자가 모니터링 단계(S232)에서 모니터링하는 중에 진동 데이터, 또는 진동 데이터와 관련된 수치에 이상을 감지하는 경우, 또는 이전에 수행된 고장 진단 단계(S300)에서 발령된 모터 고장 경보에 대응하는 경우를 포함할 수 있다. 어떤 경로든 작업자가 모터 고장 위험을 감지하여 모터(10)가 설치된 현장을 방문해, 모터 고장 여부 또는 모터 고장 유형을 판단할 수 있고, 그 판단 결과나 판단 결과와 관련된 정보가 기입부(110)에 입력될 수 있다.
기입 데이터 전송 단계(S234)에서, 모터 고장 여부 또는 모터 고장 유형에 대한 판단(추론)에 따른 경보는 서버(200)로부터 단말기(100)로 전송될 수 있다.
도 6은 본 발명이 사업자 단말기(100)에 배포된 앱에 의해 일부 구현된 것을 나탄내다.
도 6의 (a) 또는 (b)는 모니터링부(110)에 의한 모니터링 단계(S232)일 수 있고, (c)는 기입 데이터 생성 단계(S234)일 수 있으며, (d)는 이상탐지 추론부(234) 또는 분류 추론부(236)로부터 고장 예측 진단으로 판단되어 경보 알람이 하달된 경우일 수 있다.
사업자 고객은 단말기(100)의 앱을 통해 관리 대상인 모터(10)의 진동 데이터를 포함한 현재 동작 상태를 실시간으로 모니터링할 수 있다.
도 6의 (a)에서 모니터링의 대상이 되는 모터들의 동작 상태를 전체 화면으로 직관적으로 파악할 수 있고, 도 6의 (b)는 (a)의 모터 중 특정 모터를 탭 또는 선택하여 개별 모터 상세 화면으로 전환된 것을 나타낸다. 도 6의 (b)에서는, 해당 모터(10)의 진동 센서(50)로부터 측정되는 진동 데이터가 실시간으로 앱 인터페이스에 표시될 수 있고, 모니터링되는 정보에는 각 모터별 진동 특성, 물성값, 진동 데이터의 추이, 과거 진동 데이터 등이 포함될 수 있다.
도 6의 (c)는 본 발명의 기입부(110)가 앱에 의해 구현된 것을 나타낸 것으로, 사업자 고객 또는 엔지니어는 기입부(110)에 기입 데이터를 입력할 수 있다.
본 발명의 기입부(110)는 자료 업로드부(132), 고장 유형 선택부(134), 의견 개진부(136) 중 적어도 하나를 포함할 수 있다.
기입 데이터에는, 모터의 상태 유형, 고장 자료, 작업자(고객)의 의견, 작업자 이름 또는 작업 일자 중 적어도 하나가 포함될 수 있다.
고장 유형 선택부(134)에 의해 선택되는 모터(10)의 상태 유형에는 정상, 축 정렬이상, 회전체 불균형, 베어링 손상, 소손, 권선 단락, 과열 등이 포함될 수 있다.
자료 업로드부(132)에 의해 첨부되는 고장 자료에는 문제되는 모터의 사진, 동영상, 소음 녹음 파일 등이 포함될 수 있다.
의견 개진부(136)에 의해 기록되는 작업자의 의견에는, 기입 데이터를 입력하는 작업자가 생각하는 현재 모터의 동작 상태, 또는 모터 주변의 설비 상태 등 모터가 설치된 사업장의 현장 상황에 대한 의견이 포함될 수 있다. 작업자의 의견은 해당 의견낸 작업자 이름 및 일시가 함께 기록될 수 있고, 관리 데이터에 포함되는 과거 이력으로서 이력 확인부(150)에 의해 기록 또는 열람될 수 있다.
이력 확인부(150)는 각 모터별 고장 발생 시점, 고장 유형, 수리나 교체 내용, 기입 데이터와 진동 데이터 간의 매칭 정합성, 등을 포함하는 모터(10)와 관련된 관리 데이터를 제공할 수 있다.
작업자 이름 또는 작업 일자는 수동으로 단말기(100)에 입력되거나, 앱에 로그인한 작업자가 자료 업로드부(132), 고장 유형 선택부(134), 또는 의견 개진부(136)를 이용하는 경우 자동으로 기입될 수 있다.
기입 데이터는 해당 모터(10)의 전반적인 관리에 대한 정보인 관리 데이터에 포함될 수 있다.
작업자(사업자 고객 또는 사용자) 측면에서, 기입 데이터는 작업자는 열람할 수 있고, 해당 모터(10)의 과거 이력으로 관리될 수 있으며, 보고 체계로 사용되는 등 내부 전자 결재를 위한 업무 전산화에 활용될 수 있다.
모터 관리 장치의 운영자 측면에서, 기입 데이터는, 진동 데이터를 이용해 고장 발생을 예측 또는 진단하는 학습부(230 or 250)의 학습 또는 추론에 이용될 수 있고, 모터 고장 진단을 고도화하는데 사용될 수 있다.
도 6의 (d)는 본 발명의 이상탐지 추론부(234) 또는 분류 추론부(236)에 의해 고장 발생이 예측되는 경우, 작업자에게 해당 모터(10)의 긴급 점검이 필요하다는 경보를 알리는 단계를 구현한 것일 수 있다. 작업자는 경보 알람을 선택하여, 해당하는 모터(10)의 개별 상세 정보 화면으로 넘어가거나, 과거 고장 이력을 살펴볼 수 있다.
얼라인 단계(S250)에서, 얼라인부(270)는 데이터 수집 및 전송 단계에서 전송받은 진동 데이터, 및 기입 데이터 단계(S230)에서 전송받은 기입 데이터를 상호 정렬(얼라인)할 수 있다.
얼라인 단계(S250)에서, 진동 데이터와 기입 데이터 간의 모터 고장 시점, 또는 모터 고장 유형을 상호 매칭하기 위해 이상탐지 추론부(234)가 이용될 수 있다. 일 실시 예로, 기입 데이터에 기입된 모터 고장 발생 시점에 대응하는 진동 데이터에서의 대응 시점을 찾을 수 있고, 진동 데이터의 해당 시점에서 모터 고장 판단에 이상탐지 추론부(234)가 이용될 수 있다.
고장 진단 단계(S300)에서, 제어부(290)는 제1 학습 단계(S210) 또는 제2 학습 단계(S270)의 추론 결과를 종합해 모터(10)(회전체)에 대한 고장 여부 및 고장 유형 판단을 최종적으로 내릴 수 있고, 그 결과를 경보 알림 방식으로 고객 단말기(100)로 제공할 수 있다.
다른 실시 예로는, 이상탐지 추론부(234)에 의한 이상탐지 추론 단계(S205) 또는 분류 추론부(236)에 의한 분류 추론 단계(S207)는 고장 진단 단계(S300)에서만 수행되거나, 추가적으로 수행될 수 있다.
온라인 학습부(250)에 의한 모터의 고장 여부나 고장 유형에 대한 예측 또는 추론을 포함하는 관리 데이터는 사업장의 사업자 또는 작업자의 단말기(100)로 전송될 수 있다. 단말기(100)로 전송된 관리 데이터에 따라, 사업장의 사업자 또는 작업자의 기입 데이터 입력 등을 포함하는 후속 조치가 단말기에 수행될 수 있다.
고도화 단계(S400)는 제1 관리 모드에 대응하는 온라인 학습부(230)에 의한 학습 또는 학습 모델을 제2 관리 모드에 의해 고도화하는 것일 수 있다. 고도화 단계(S400)에서, 개별 사업장에서 수행된 제1 관리 모드에 의한 관리 데이터들은 오프라인 학습부(250)에 추가되어 알고리즘 또는 모델을 고도화하는데 이용될 수 있다. 오프라인 학습부(250)에 의한 고도화는 복수의 사업장으로부터 입력되는 대량의 데이터를 취급할 수 있으므로, 별도의 서버(200) 또는 시설에서 수행될 수 있다.
단말기(100)에 배포된 앱을 통해 사업장의 모터(10)에 대한 관리 데이터를 제공받는 작업자는, 수기로 기입하거나 작업자간 대화나 서류 작업으로 진행하던 아날로그식 업무를 전산화하여 업무 효율을 높일 수 있고, 더 나아가 공장 산업체 등 시설의 유지관리에 관하여, 전자결재 시스템의 도입까지 손쉽게 확장할 수 있다.
작업자는 공장 산업체 등 시설이 고장으로 인해 기능이 정지하기 전에, 미리 시설을 멈추고 수리할 수 있는 기회를 획득할 수 있다. 본 발명에 의해 예기치 못한 고장을 막음으로써 더 큰 재산상 손해, 금전적 손해, 휴업손해, 신체상의 손해를 예방함으로써 비용 이상의 가치가 발생될 수 있다.
본 발명은 객관적 자료없이 더 사용할 수 있는 설비를 작업자의 주관적인 임의 판단에 따라 교체함으로써 발생하는 과잉 정비 비용을 줄일 수 있다.
사업자 고객 입장에서는, 본 발명의 모터 관리 장치로부터 예측된 모터 고장 알람을 받을 수 있고, 이에 더해 사업장 내 설비들의 진동 데이터 모니터링, 고장난 모터(10)의 교체나 수리에 대한 전자 결재, 고장 예측 알림, 및 수리 일정 추천 등을 포함하는 업무는 자동 전산화로 손쉽게 확장될 수 있다.
사업자 고객 입장에서는, 배포된 본 발명의 앱만 단말기(100)에 설치하면, 사업장 내 모든 모터(10)의 모니터링, 모터 고장 발생전 수리 또는 교체, 수리 또는 교체 시기 업무 일정 전산화, 그에 대한 전자 결재 등을 포함하는 모터 관리 플랫폼 서비스를 제공받을 수 있다.
본 발명에 따르면, 일반적으로 비용을 들여 수집하고 가공하는 인공지능 데이터셋 구축 방법을 더 개선할 수 있고, 모터 고장 진단을 위해 제공하는 플랫폼 서비스를 통해 관리 데이터를 수집할 수 있으며, 관리하는 사업장이 늘어감에 따라 기개발된 학습 모델을 지속적으로 자동으로 업데이트할 수 있으므로, 사업자 고객측이나 모터 관리 장치의 운영자측 모두에게 효율적일 수 있다.
10... 모터 50... 진동 센서
100... 단말기 110... 모니터링부
130... 기입부 132... 자료 업로드부
134... 고장 유형 선택부 136... 의견 개진부
150... 이력 확인부 200... 서버
210... 데이터 저장부 230... 온라인 학습부
232... 이상탐지 학습부 234... 이상탐지 추론부
236... 분류 추론부 250... 오프라인 학습부
270... 얼라인부 290... 제어부
S100... 데이터 수집 및 데이터 전송 단계 S200... 학습 단계
S202... 데이터 전처리 단계 S203... 이상탐지 학습 단계
S205... 이상탐지 추론 단계 S207... 분류 추론 단계
S209... 데이터 후처리 단계 S210... 제1 학습 단계
S230... 기입 데이터 단계 S232... 모니터링 단계
S234... 기입 데이터 생성 단계 S236... 기입 데이터 전송 단계
S250... 얼라인 단계 S270... 제2 학습 단계
S300... 고장 진단 단계 S400... 고도화 단계

Claims (15)

  1. 사업장에 마련되는 모터의 진동 데이터를 수집하는 진동 센서;
    진동 데이터의 패턴에 따라 미리 분류된 고장 유형별로 모터의 고장 여부 또는 고장 유형을 판단하지 않고, 진동 데이터를 이용해 스스로 학습하는 온라인 학습부; 를 포함하고,
    상기 온라인 학습부에 의한 모터의 고장 여부나 고장 유형에 대한 예측 또는 추론을 포함하는 관리 데이터는 상기 사업장의 사업자 또는 작업자의 단말기로 전송되며,
    상기 단말기로 전송된 관리 데이터에 따라, 상기 사업장의 사업자 또는 작업자의 후속 조치가 상기 단말기를 통해 수행되고,
    상기 단말기를 통해 기입 데이터가 입력되는 기입부를 포함하고,
    상기 기입 데이터가 상기 단말기로부터 상기 온라인 학습부로 전송되며,
    상기 온라인 학습부는 상기 진동 데이터를 이용한 제1 학습을 상기 기입 데이터를 더한 제2 학습으로 업데이트하고,
    상기 기입 데이터 및 상기 진동 데이터를 대조하여, 상기 기입 데이터 및 진동 데이터의 모터 고장과 관련된 시점을 상호 동기화하는 얼라인부를 포함하는 모터 관리 장치.
  2. 삭제
  3. 삭제
  4. 제1 항에 있어서,
    상기 단말기로 모터 고장 알람을 포함하는 관리 데이터가 전송되는 경우, 작업자에 의해 고장 알람된 모터를 현장 방문해 상기 모터의 고장 여부 또는 고장 유형이 판단되고,
    상기 판단된 상기 모터의 고장 여부 또는 고장 유형에 대한 정보를 상기 기입부에 입력되는 모터 관리 장치.
  5. 제1 항에 있어서,
    상기 사업장의 사업자 또는 작업자 입장에서,
    분석대상되는 모터에 상기 진동 센서의 부착, 및 상기 진동 센서와 관련된 앱을 상기 사업자 또는 작업자의 단말기에 배포에 의해, 상기 사업장의 모터에 대한 관리 데이터를 제공하는 관리 플랫폼 서비스 제공 준비가 완료되는 모터 관리 장치.
  6. 제1 항에 있어서,
    상기 사업장의 사업자 또는 작업자 입장에서,
    상기 단말기에 배포된 앱, 또는 상기 앱에 제공되는 관리 데이터에 의해,
    고장난 모터의 교체나 수리에 대한 전자 결재, 모터 고장 알람, 진동 데이터 모니터링, 고장 예측 알림, 및 수리 일정 추천 중 적어도 하나를 포함하는 업무는 자동 전산화되는 모터 관리 장치.
  7. 제1 항에 있어서,
    상기 온라인 학습부의 운영자 입장에서,
    각 사업장에서 수집된 상기 단말기에 제공되는 관리 데이터는 백데이터로 계속 축적되고,
    상기 온라인 학습부는 축적된 개별 관리 데이터를 종합하거나 결합하여 상기 진동 데이터에 대한 학습 또는 학습 모델을 업데이트하는데 이용하는 모터 관리 장치.
  8. 제1 항에 있어서,
    상기 온라인 학습부는 이상탐지 학습부, 이상탐지 추론부, 및 분류 추론부 중 적어도 하나를 포함하고,
    상기 이상탐지 학습부는 상기 진동 데이터를 이용해, 모터를 정상 또는 고장으로 판단 또는 추론하기 위한 학습을 하며,
    상기 이상탐지 추론부는 상기 이상탐지 학습부의 학습 기간이 종료된 시점 이후부터의 측정된 진동 데이터에 대해 상기 모터의 고장 여부를 진단 또는 예측하고,
    상기 분류 추론부는 상기 이상탐지 추론부에 의해 모터가 고장이라고 판단된 경우, 모터 고장 유형을 예측 또는 추론하는 모터 관리 장치.
  9. 제1 항에 있어서,
    상기 진동 데이터는 시계열적으로 연속적으로 전송되고,
    상기 기입 데이터는 시계열적으로 간헐적으로 전송되는 모터 관리 장치.
  10. 제1 항에 있어서,
    상기 얼라인부는 자동 알고리즘에 의해 상기 기입 데이터와 진동 데이터 간의 시점을 매칭하며,
    상기 자동 알고리즘은 1차로 상기 진동 데이터를 전사(transcript)하여 상기 기입 데이터와 매칭되는 대략적인 지점을 찾고, 2차로 상기 1차의 매칭에 기초해 상기 1차보다 더 정밀하게 매칭되는 지점을 찾는 것인 모터 관리 장치.
  11. 제1 항에 있어서,
    상기 얼라인부는,
    상기 기입 데이터를 이용해, 상기 진동 데이터에서 모터 이상이 발생한 시점을 역으로 추적하며,
    모터 고장인지 여부가 애매한 지점, 또는 모터 고장 유형이 상호 일치하지 않는 지점의 데이터는 제외시키는 모터 관리 장치.
  12. 제1 항에 있어서,
    상기 진동 데이터는 상기 온라인 학습부를 포함하는 서버로 전송되고,
    상기 서버는 제1 관리 모드 또는 제2 관리 모드를 수행하며,
    상기 제1 관리 모드는 개별 사업장별로 진동 데이터를 포함하는 관리 데이터가 제공되는 것이고,
    상기 제2 관리 모드는 개별 사업장에 대한 상기 제1 관리 모드로부터 획득한 관리 데이터를 종합하여 학습하여, 업데이트된 학습 또는 학습 모델을 제공하는 것인 모터 관리 장치.
  13. 제1 항에 있어서,
    상기 진동 데이터를 이용해 모터 고장 여부, 또는 모터 고장 유형에 대해 판단하거나 추론하는 오프라인 학습부를 포함하고,
    상기 오프라인 학습부는,
    실시간으로 전송되는 진동 데이터를 이용해 곧바로 학습하거나 추론하지 않고,
    상기 온라인 학습부에 의한 추론 결과를 축적하며,
    상기 온라인 학습부의 학습 또는 학습 모델을 고도화하는 이용되는 모터 관리 장치.
  14. 제1 항에 있어서,
    상기 진동 데이터를 이용해 상기 모터의 고장 여부를 예측 또는 추론하는 이상탐지 추론부, 및 상기 이상탐지 추론부에 의해 상기 모터가 고장이라 판단되는 경우, 고장의 유형을 예측 또는 추론하는 분류 추론부를 포함하며,
    제1 경우에서, 상기 이상탐지 추론부에 의해 모터 고장 여부에 대한 추론이 먼저 수행된 후, 상기 분류 추론부에 의한 모터 고장 유형 추론이 수행되고,
    제2 경우에서, 상기 이상탐지 추론부에 의한 모터 고장 여부에 대한 추론만 수행되며,
    상기 제1 경우의 추론은 상기 제2 경우의 추론보다 모터 고장으로 판단하는 기준이 더 낮게 설정되는 모터 관리 장치.
  15. 제1 항에 있어서,
    상기 기입부는 자료 업로드부, 고장 유형 선택부, 의견 개진부 중 적어도 하나를 포함하며,
    상기 자료 업로드부에는 고장으로 판단된 모터의 사진, 동영상, 및 소음 녹음 파일 중 적어도 하나가 입력되고,
    상기 고장 유형 선택부에는 모터의 동작 상태에 따라 모터의 정상, 및 모터의 고장 유형 중 적어도 하나가 선택되며,
    상기 의견 개진부에는, 상기 모터의 고장에 대한 기입 데이터를 입력한 작업자의 의견이 개진되는 모터 관리 장치.
KR1020230072836A 2023-06-07 2023-06-07 모터 관리 장치 KR102676859B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230072836A KR102676859B1 (ko) 2023-06-07 2023-06-07 모터 관리 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230072836A KR102676859B1 (ko) 2023-06-07 2023-06-07 모터 관리 장치

Publications (1)

Publication Number Publication Date
KR102676859B1 true KR102676859B1 (ko) 2024-06-24

Family

ID=91711583

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230072836A KR102676859B1 (ko) 2023-06-07 2023-06-07 모터 관리 장치

Country Status (1)

Country Link
KR (1) KR102676859B1 (ko)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007310611A (ja) * 2006-05-18 2007-11-29 Ntn Corp 軸受使用設備機器の監視・診断システム
JP2017188030A (ja) * 2016-04-08 2017-10-12 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP2018091640A (ja) * 2016-11-30 2018-06-14 株式会社デンソー 装置の検査装置、および、装置の検査方法
KR102182226B1 (ko) * 2020-07-22 2020-11-24 경북대학교 산학협력단 고장 검출 진단 시스템 및 진단방법
KR102298062B1 (ko) * 2019-12-26 2021-09-06 주식회사 모트롤 감속 장치의 고장진단 장치 및 방법
JP2021140403A (ja) * 2020-03-04 2021-09-16 株式会社沢田テクニカルサービス 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置
KR20220067734A (ko) * 2020-11-18 2022-05-25 (주)씽크포비엘 진동 센서 기반 펌프 고장 예측 방법 및 장치
KR20220072645A (ko) * 2020-11-25 2022-06-02 주식회사 이파피루스 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
JP2023021514A (ja) * 2021-08-02 2023-02-14 株式会社東芝 装置診断システムおよび装置診断方法
KR102500883B1 (ko) * 2021-12-27 2023-02-16 현대건설(주) 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007310611A (ja) * 2006-05-18 2007-11-29 Ntn Corp 軸受使用設備機器の監視・診断システム
JP2017188030A (ja) * 2016-04-08 2017-10-12 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP2018091640A (ja) * 2016-11-30 2018-06-14 株式会社デンソー 装置の検査装置、および、装置の検査方法
KR102298062B1 (ko) * 2019-12-26 2021-09-06 주식회사 모트롤 감속 장치의 고장진단 장치 및 방법
JP2021140403A (ja) * 2020-03-04 2021-09-16 株式会社沢田テクニカルサービス 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置
KR102182226B1 (ko) * 2020-07-22 2020-11-24 경북대학교 산학협력단 고장 검출 진단 시스템 및 진단방법
KR20220067734A (ko) * 2020-11-18 2022-05-25 (주)씽크포비엘 진동 센서 기반 펌프 고장 예측 방법 및 장치
KR20220072645A (ko) * 2020-11-25 2022-06-02 주식회사 이파피루스 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
JP2023021514A (ja) * 2021-08-02 2023-02-14 株式会社東芝 装置診断システムおよび装置診断方法
KR102500883B1 (ko) * 2021-12-27 2023-02-16 현대건설(주) 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법

Similar Documents

Publication Publication Date Title
US20210241544A1 (en) Platform for analyzing health of heavy electric machine and analysis method using the same
EP1242923B1 (en) A process for the monitoring and diagnostics of data from a remote asset
CN110059325B (zh) 车辆故障预警***及对应的车辆故障预警方法
US20180276913A1 (en) Remote vehicle network monitoring and failure prediction system
KR102031116B1 (ko) 전기차 충전기의 원격 자가진단 피드백 시스템 및 방법
US6970804B2 (en) Automated self-learning diagnostic system
US20090096405A1 (en) Method and system for remotely predicting the remaining life of an ac motor system
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
KR101843365B1 (ko) 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스
US20170180214A1 (en) On-Demand Remote Predictive Monitoring For Industrial Equipment Analysis and Cost Forecast
JP2000259729A (ja) 作業機械の管理システム
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
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
WO2011073613A1 (en) A method, apparatus and computer program for diagnosing a mode of operation of a machine
US7996337B2 (en) Method and system for remotely determining the reliability of a DC motor system
CN111061581B (zh) 一种故障检测方法、装置及设备
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
US7636648B2 (en) Arrangement, method and computer program product for enhanced prognostics
EP4174601A1 (en) System, apparatus and method for monitoring condition of an asset in technical installation
KR102676859B1 (ko) 모터 관리 장치
CN104748992A (zh) 用于监测和评估旋转的机器的状态的装置和方法
CN112400194A (zh) 用于触发训练事件的***和方法
JP7170564B2 (ja) モータ劣化傾向監視システム
CN117589444B (zh) 一种基于联邦学习的风力发电机齿轮箱故障诊断方法