KR20190089004A - 엔진 건전성 진단 장치 및 방법 - Google Patents

Abstract

왕복식 내연 엔진(4)의 건전성을 분석하는 엔진 건전성 진단장치(8)가 제공된다. 이 장치(8)는, 왕복식 내연 엔진(4)의 부품에서의 진동을 감지하는 진동 센서(60)로부터 수신된 진동 센서 데이터(91)를 처리하고, 진동 센서 데이터의 복수의 특징을 나타내는 특징 벡터(8)를 생성하는 특징 생성회로(90)를 구비한다. 처리회로(94)는, 엔진(4)의 건전한 동작중에 캡처된 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 판정 경계값(150)을 특징짓는 모델 파라미터들에 의해 정의된 훈련된 분류 모델을 사용하여 특징 벡터를 처리한다. 모델은 건전한 동작의 판정 경계값(150)으로부터 특징 벡터의 편이의 정량적 표시를 제공하는 엔진 건전성 표시를 생성한다.

Description

엔진 건전성 진단 장치 및 방법

본 발명은, 왕복식 내연 엔진 분야에 관한 것이다. 특히, 본 발명은, 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단 장치 및 방법에 관한 것이다.

왕복식 내연 엔진은 보통 해양 선박용의 주 추진 시스템으로 사용된다. 해양에서의 추진 시스템의 고장은 선주 및 작업자에게 매우 많은 비용이 들게 할 수 있다. 피스톤의 교체 등 외과적인 수리를 필요로 하는 부품의 고장은 수십만 달러 범위의 비용이 들 수 있는 한편, "Carnival Splendor" 상의 크랭크케이스 균열에 기인한 엔진 화재 등의 극적인 고장은 수리 비용, 손실 및 보상금에서 추정액 $65,000,000의 비용이 든다. 더구나, 마모된 피스톤 링 등의 일상적인 결함의 이른 발생은, 공기/연료 혼합물이 피스톤의 가장자리를 지나 크랭크케이스 내부로 탈출하여, 연소 효율을 줄이고 연료 소비 및 배출의 증가를 일으키는 블로바이(blow-by) 등의 현상을 일으킬 수 있다. 따라서, 재앙이 되기 전에 결함을 조기에 검출 및 교정하는 것은 해양 관련 최종 사용자에게 2배의 이점을 가져, 재앙을 일으키는 고장을 방지할 뿐 아니라, 고장이 아직 위태롭지 않은 기간 중에 연료를 절감하고 효율을 향상시킨다. 발전 등의 다른 왕복식 내연 엔진의 응용분야에 대해서도 유사한 문제가 존재하므로, 이 문제는 해양 부문에 한정되는 것은 아니다.

적어도 일부 실시예는, 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단장치로서,

왕복식 내연 엔진의 부품에서의 진동을 감지하는 진동 센서로부터 수신된 진동 센서 데이터를 처리하고, 진동 센서 데이터의 복수의 특징을 나타내는 특징 벡터를 생성하는 특징 생성회로와,

왕복식 내연 엔진의 건전한 동작중에 캡처된 진동 센서 데이터에 대응하는 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들에 의해 정의된 훈련된 분류 모델을 사용하여 특징 생성회로에 의해 생성된 특징 벡터를 처리하여, 건전한 동작의 경계값으로부터 특징 벡터의 편이(deviation)의 정량적 표시를 제공하는 엔진 건전성 표시를 생성하는 처리회로를 구비한다.

적어도 일부 실시예는,

왕복식 내연 엔진과,

왕복식 내연 엔진의 대응하는 부품의 진동을 감지하도록 구성된 진동 센서와,

전술한 엔진 건전성 진단장치를 구비한 시스템을 제공한다.

적어도 일부 실시예는, 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단방법으로서,

왕복식 내연 엔진의 부품에서의 진동을 감지하도록 구성된 진동 센서를 사용하여 진동 센서 데이터를 캡처하는 단계와,

진동 센서 데이터를 처리하여 진동 센서 데이터의 복수의 특징을 나타내는 특징 벡터를 생성하는 단계와,

왕복식 내연 엔진의 건전한 동작중에 캡처된 진동 센서 데이터에 대응하는 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들에 의해 정의된 훈련된 분류 모델을 사용하여 특징 벡터를 처리하여, 건전한 동작의 경계값으로부터 특징 벡터의 편이를 나타내는 정량적 표시를 제공하는 엔진 건전성 표시를 생성하는 단계를 포함한다.

적어도 일부 실시예는,

왕복식 내연 엔진의 부품에 진동 센서를 끼워넣어 왕복식 내연 엔진의 부품의 진동을 감지하는 단계와,

왕복식 내연 엔진의 건전한 동작 기간 동안 진동 센서를 사용하여 진동 센서 데이터를 캡처하는 단계와,

진동 센서 데이터를 처리하여, 건전한 동작 기간 동안의 일정한 시간에 캡처된 진동 센서 데이터의 복수의 특징을 각각 나타내는 특징 벡터들의 훈련 세트를 생성하는 단계와,

분류 모델을 훈련시켜, 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들을 생성하는 단계와,

분류 모델을 정의하는 모델 파라미터들을 기록하는 단계를 포함하는 엔진 건전성 진단 시스템 설치방법을 제공한다.

적어도 일부 실시예는, 데이터 처리장치를 제어하여 전술한 방법들 중에서 어느 한 개를 행하게 하는 명령들을 포함하는 컴퓨터 프로그램을 제공한다. 컴퓨터 프로그램은 기록매체에 기억된다. 기록매체는 비일시적인 기록매체이다.

본 발명의 또 다른 발명내용, 특징 및 이점은 다음의 첨부도면을 참조하여 주어지는 이하의 실시예의 설명으로부터 명확해질 것이다:

도 1은 엔진 건전성 모니터링 시스템의 개요를 개략적으로 나타낸 것이다.

도 2는 시스템 아키텍처를 더욱 상세히 나타낸 것이다.

도 3은 왕복식 내연 엔진의 각각의 실린더에 설치된 진동 센서를 사용하여 각 실린더의 건전성 표시를 제공하는 일례를 나타낸 것이다.

도 4는 진동 센서 데이터에 근거하여 특징 벡터를 생성하는 특징 생성회로와 훈련된 분류 모델을 이용하여 특징 벡터를 처리하는 처리회로의 일례를 나타낸 것이다.

도 5는 엔진의 건전한 동작 기간 동안 캡처된 특징 벡터들에 근거하여 분류 모델을 훈련하는 훈련 단계를 설명하는 개념도이다.

도 6은 훈련 모델을 이용하여 훈련 단계중에 학습된 건전한 동작의 경계값으로부터 특징 벡터의 편이를 정량화하는 건전성 표시를 생성하는 동작 단계를 나타낸 개념도이다.

도 7은 분류 모델을 훈련하는 방법을 나타낸 흐름도이다.

도 8은 훈련된 모델을 이용하여 건전성 점수 표시를 생성하는 동작 단계를 나타낸 흐름도이다.

도 9는 결함이 진동 데이터의 다양한 주파수 대역에서의 에너지 분포를 어떻게 변화시킬 수 있는지 나타내는 히트 맵(heat map)이다.

도 10은 시간 경과에 따른 엔진 건전성 표시의 표류를 나타낸 것이다.

도 11은 다수의 다른 종류의 결함이 발생할 때 건전성 점수가 어떻게 변경되는지를 나타낸 것이다.

도 12는 다수의 다른 부하 상태에 대한 데이터가 한 개의 모델에 합성될 때에도 건전성 점수에 근거하여 어떻게 결함이 검출될 수 있는지 나타낸 것이다.

본 기술은, 엔진의 부품의 진동을 감지하는 진동 센서로부터 수신된 진동 센서 데이터에 근거하여, 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단장치를 제공한다. 특징 생성회로는 진동 센서 데이터를 처리하고 진동 센서 데이터의 복수의 특징을 표시하는 특징 벡터를 생성한다. 처리회로는 훈련된 분류 모델을 이용하여 특징 벡터를 처리하여 엔진 건전성 표시를 생성한다. 훈련된 분류 모델은 엔진의 건전한 동작중에 캡처된 진동 센서 데이터에 대응하는 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들에 의해 정의되고, 건전성 표시는 훈련중에 학습한 건전한 동작의 경계값으로부터의 특징 벡터의 편이의 정량적 표시를 제공한다.

이와 같은 접근방법은 다양한 기술적 이점을 갖는다. 엔진의 특정한 결함 모드들을 특징짓고 이들 결함 모드들의 사전에 학습된 특징에 대해 동작 중의 엔진으로부터 감지한 데이터를 일치시키려고 시도하는 대안적인 접근방법과 달리, 본 기술은, 엔진의 건전한 동작중에 캡처한 진동 센서 데이터에 대응하는 특징 벡터들을 사용하여 모델을 훈련시킨 후, 특징 벡터들의 이들 훈련 세트로부터 학습한 건전한 동작의 경계값으로부터의 새롭게 캡처한 특징 벡터의 편이를 정량화하는 엔진 건전성 표시를 생성한다. 따라서, 이 모델은 어떤 특정한 결함 모드를 특징짓는 것을 시도하지 않는다. 특정한 종류의 결함을 알지 못한 채 엔진 결함을 검출하는 것이 직관을 벗어나는 것으로 보이지만, 건전한 데이터를 이용한 훈련의 접근방법은 다양한 이점을 제공한다.

첫째, 이와 같은 접근방법은, 명목상으로 동일한 결함 모드에 대해 다른 특징 진동 패턴들을 각각 나타내는 다양한 서로 다른 모델의 엔진이나 동일한 엔진 모델의 서로 다른 설비에 진단장치가 새로 장착될 수 있도록 한다. 실제적으로는 엔진이 자주 고장나지는 않으며, 명목상으로는 동일한 모델의 엔진의 다수의 인스턴스들 중에서도 검출되는 진동이 여전히 다르므로, 설비의 차이 등으로 인해, 일정한 모델의 한 개의 엔진의 결함으로부터의 학습이 반드시 동일한 모델의 다른 엔진에서의 동일한 결함의 검출을 허용하지 않을 수도 있기 때문에, 장치가 끼워넣어지는 각각의 엔진 종류에 대해 고장 특징의 맞춤식 패턴을 학습하는 것은 도전적일 수 있다. 일반적으로 모델을 훈련시키는데 사용가능한 결함을 갖는 엔진에 대한 이용가능한 데이터가 비교적 적지만, 특정한 결함이 아직 식별되지 않았을 때 단순히 통상 동작 중의 엔진을 모니터링함으로써 모델을 훈련시킬 수 있기 때문에, 보통 건전한 동작에 대응하는 다량의 데이터를 이용할 수 있다. 따라서, 실제적으로는, (결함 패턴의 분류가 아니라) 건전한 거동으로부터의 편이에 근거하여 결함을 검출하는 접근방법은 시스템이 다양한 다른 모델들이나 엔진 설치에 더욱 광범위하게 적용될 수 있도록 한다.

또한, 이전에 학습한 건전한 동작의 경계값으로부터 특징 벡터의 편이를 정량화함으로써, 엔진이 건전한지 또는 결함이 있는지의 이진 표시를 제공할 뿐만 아니라, 특정한 결함이 아직 명백하지 않을 때에도 엔진의 건전성의 전도를 평가할 수 있게 한다. 예를 들어, 거의 완벽한 건전성을 갖는 엔진은, 대체로 건전하지만 열화되어 아무 것도 행하지 않으면 장래에 결함을 갖게 되거나, 또는 예를 들어 블로바이 현상으로 인해 비효율적으로 가동되고 있는 엔진과 다른 점수를 갖는다. 단순히 결함을 검출하는 것이 아니라, 엔진의 건전성 정도를 정량화함으로써, 잠재적인 문제가 더 일찍 검출될 수 있게 하여, 적절한 수리 또는 유지보수 작업이 제 시간에 예정될 수 있게 하여, 나중에는 더 큰 재앙이 될 수도 있는 결함을 방지할 수 있다. 정량적 엔진 건전성 표시는, 실제로는 엔진이 결함이 발생할 것 같지 않을 정도로 충분히 건전할 때, 단지 결함의 가능성을 줄이는 조치로서 엔진이 여전히 불필요한 예방적인 수리 조작을 행할 필요를 없앨 정도로 충분히 건전성을 갖고 있는지 아닌지 평가하는데 유용할 수 있다. 예를 들어, 특정한 선박회사는, 단지 평균적으로는 특정한 부품이 열화하기 전에 특정한 기간 동안 지속되는 경향이 있지만, 실제로는 특정한 엔진에 대해 이 부품이 예상한 것만큼 마모되지 않아 더 길이 지속될 수도 있다는 것을 이유로, 선박이 정박중에 이 부품을 교체하는 정기적인 유지보수를 현재 예정하고 있을 수도 있다. 본 기술의 진단장치는, 엔진의 건전성의 정량적 표시를 제공할 수 있는데, 이것은 실제로 엔진이 이전에 관찰한 건전성 동작으로부터 크게 벗어나지 않았으므로, 사전예방적인 보수를 취소하여 비용을 절감할 수 있다는 것을 표시할 수 있다.

또한, 이 기술은, 현장의 기술자에 의해 식별될 수 있는 것보다 빨리 엔진의 잠재적인 결함을 식별할 수 있게 한다. 따라서, 이와 같은 기술자를 채용하는 것은 비용이 많이 들 수 있으며, 다수의 화물선 또는 발전기 설비는 현장에 이와 같은 기술자를 갖지 않을 수도 있다. 발생한 문제를 표시하기 위해, 본 기술에 의해 제공된 엔진 건전성의 정량적 표시가 원격지로 되돌려지거나 엔진의 장소에 있는 숙련도가 떨어지는 조작자에게 전달될 수 있다. 어쨌든, 숙련된 기술자가 존재하는 경우에도, 어떤 종류의 결함은 진동 변화를 귀에서 알아챌 수 있을 정도로 충분히 심각한 결함으로 진전될 때까지 엔지니어에게 명백하지 않을 수도 있다. 이에 반해, 엔진 건전성 진단장치는 이전에 학습한 건전한 동작의 경계값으로부터 캡처된 특징 벡터의 편이를 검출함으로서, 잠재적인 결함을 더 일찍 검출할 수 있다.

특징 생성회로에 의해 생성된 특징 벡터는 모니터링된 진동 센서 데이터의 다수의 다른 특징을 포함한다. 예를 들어, 특징은 진동 센서 데이터의 적어도 한 개의 시간 영역 특징을 포함한다. 예를 들어, 시간 영역 특징은, 일정한 기간에 걸쳐 캡처된 진동 센서 측정값들에 대해 평가된 다음의 통계 파라미터들, 즉 평균, 분산 또는 표준편차, 평균 평방근(root mean square), 첨도(kurtosis), 사행도(skewness) 및 파고율(crest factor) 중에서 적어도 한 개가 될 수 있다. 이때, 다른 통계자료도 시간 영역 센서 데이터로부터 유도될 수도 있다는 것을 알 수 있다. 특징 벡터에 시간 영역 특징을 포함시키는 것은, 외부의 인자로 인한 거동의 일시적인 변화를 더 오래 지속되는 엔진 문제와 구별할 수 있도록 함으로써, 모델의 긍정 오류(false positive) 결함 검출률을 줄이는데 도움이 될 수 있다.

특징 벡터는 진동 센서 데이터의 적어도 한 개의 주파수 영역 특징을 더 포함할 수 있다. 예를 들어, 일정한 기간에 캡처된 진동 센서 데이터에 대해 특정한 주파수 변환을 적용하여, 주파수 영역 특징을 산출할 수 있다. 예를 들어, 푸리에 변환을 포함하는 다양한 다른 주파수 변환을 사용할 수 있다. 그러나, 진동 센서 데이터에 웨이블렛 패킷 변환(Wavelet Packet Transform: WPT)을 적용하여 주파수 영역 특징을 생성하는 것이 특히 유용할 수 있다. WPT를 사용하여 시간 영역 시리즈의 진동 센서 데이터를 분리된 주파수 대역들로 분해할 수 있으며, 이때 각각의 주파수 성분은 푸리에 변환에서와 같이 연속적인 사인파 또는 코사인파가 아니라 유한한 지속기간을 갖는 웨이블렛으로 표시된다. WPT는 푸리에 변환에 비해 비교적 계산상으로 집약적이지만, 웨이블렛의 복잡성으로 인해 엔진 속도 변화에도 불구하고 해당 특징을 검출할 수 있다는 특징을 가져, 일정 속도의 샘플들에 더 유용한 푸리에 변환보다 WPT가 더 적합하게 한다. 추진 엔진으로부터 출력된 동력의 수요가 시간에 걸쳐 변화하는 선적 등의 일부 응용분야에서는 엔진 속도의 변화가 일어날 가능성이 있다. 따라서, WPT를 이용하는 것은 엔진 부하의 변화에 대해 모델을 더 강건하게 만드는데 도움이 된다.

주파수 영역 데이터로부터 다양한 특징을 유도할 수 있다. 예를 들어, 전술한 시간 영역 데이터와 유사한 방식으로 평균, 표준편차 등의 통계 파라미터를 유도할 수도 있다. 그러나, 일 실시예에서, 주파수 영역 특징은 진동 센서 데이터의 해당하는 주파수 대역에서의 에너지를 각각 나타내는 주파수 대역 에너지 특징들을 포함한다. 엔진 결함은 주파수 대역들이 가장 높은 진동 에너지를 갖는 변화를 일으키므로, 특징 벡터에 주파수 대역 에너지 특징들을 포함시키는 것은 건전한 거동으로부터의 일탈을 식별할 수 있는 분류 모델의 능력을 증진시킨다.

또한, 특징 벡터는, 엔진의 동작 사이클에 대한 진동 센서 데이터의 피크의 타이밍을 나타내는 적어도 한 개의 피크 진동 타이밍 특징을 포함한다. 예를 들어, 엔진의 크랭크축의 각도 위치를 감지하기 위해 크랭크축 각도 센서를 설치하고, 크랭크축 각도 센서로부터의 데이터를 이용하여 피크 진동 타이밍 특징을 식별할 수 있다. 엔진의 동작 사이클에 대한 진동의 피크의 타이밍을 고려하는 것은, 시간 및 주파수 영역 데이터 단독으로는 검출하기 곤란한 결함의 종류를 식별하는데 도움이 될 수 있다. 예를 들어, 이것을 이용하여 느슨한 엔진 받침대 또는 마모된 피스톤 링 등의 결함을 식별할 수 있다. 일부 결함은 과도한 양의 진동이 아니라 예를 들어 엔진 점화의 실린더의 느린 타이밍에 기인하므로, 피크 진동 타이밍의 고려는 이러한 종류의 결함을 식별하는데 도움이 될 수 있다.

요약하면, 특징 벡터는 분류 모델에 대한 입력으로서 사용될 수 있는 검출된 진동 센서의 다양한 서로 다른 특징들을 제공한다. 특히, 특징 벡터는 전술한 부류들(시간 영역 특징, 주파수 영역 특징 및 피크 진동 타이밍 특징) 중에서 2개 이상으로부터의 특징을 결함해도 되며, 이것은 이들 부류의 특징들 중에서 한 개만 제공되는 것보다 더 양호한 모델 성능을 제공한다.

일부 실시예에서는, 생성된 특징 벡터가 단순히 그것의 원래의 형태로 분류 모델에 입력되고, 그후 이 분류 모델이 그것을 처리하여 산출된 건전성 표시를 결정할 수 있다. 그러나, 다른 실시예에서는, 공통된 기준 스케일 상에 특징 벡터의 각 특징을 매핑하기 위해, 스케일링(scaling) 회로를 설치하여, 특징 벡터들의 훈련 세트로부터 유도된 스케일링 파라미터들의 각각의 세트에 근거하여 특징 벡터의 각각의 특징을 스케일링해도 된다. 예를 들어, 스케일링은 0과 1 사이 등의 고정된 경계값들 내에 놓이도록 각각의 특징을 정규화해도 된다. 그후, 처리회로는 훈련된 분류 모델을 이용하여 스케일링된 특징 벡터를 처리한다. 예를 들어, 훈련 단계 중에 특징 벡터의 특정한 특징에 대해 마주친 수치값의 최소/최대값들, 또는 표준편차 및 평균이 결정될 수 있으며, 이들 값을 사용하여 스케일링 파라미터들을 생성함으로써, 서로 다른 기준 스케일에 미처리된(raw) 값을 갖는 서로 다른 특징들이 공통된 스케일 위에 매핑되게 할 수 있다. 따라서, 스케일링은, 비교적 낮은 수치값을 갖는 특징이 더 큰 수치값을 갖는 특징들에 의해 뒤덮이지 않으므로, 미처리된 특징 벡터가 직접 처리된 경우보다 각각의 특징이 분류 모델의 결과에 더 등등한 기여를 할 수 있다는 것을 의미한다.

공통된 기준 스케일 상에서 특징 벡터의 각각의 특징을 스케일링하는 것은 불리한 건전성 점수에 어떤 특정한 특징이 기여하고 있는지 식별하는데 도움이 될 수도 있다. 이전에 훈련된 모델을 이용하여 새롭게 캡처한 특징 벡터를 처리할 때, 특징 벡터들의 훈련 세트로부터 유도된 동일한 스케일링 파라미터들이 여전히 적용될 수 있다(즉, 스케일링 파리미터들은 동작 단계에서 변경되지 않고 훈련 단계의 종료시에 고정된다). 엔진 거동이 변경되어 특정한 파라미터가 훈련중에 관찰된 값들의 범위 밖에 놓이는 경우에는, 특징 벡터의 특징들 각각을 가로질러 사용된 공통 스케일 상에서 매핑될 때, 특히 높은 값이나 특히 낮은 값을 갖게 된다. 예를 들어, 0과 1 사이의 고정된 스케일의 예에서, 동작 단계 중에, 0보다 작거나 1보다 큰 갑이 관찰되어, 훈련시 관찰된 범위 밖에 놓이는 것을 나타낸다. 따라서, 스케일링된 특징 벡터의 특징들 중에서 공통된 스케일 상에서 가장 크거나 가장 작은 스케일링된 특징값들을 갖는 한 개 이상의 선택된 특징들을 식별함으로서, 어떤 특정한 특징들이 엔진과 관련된 문제를 일으킬 가능성이 가장 큰지의 표시를 제공할 수 있다. 이들 특징들의 표시는 건전성 표시 그 자체와 함께 출력되어, 결함의 가능성 있는 원인들을 식별하기 위해 사용될 수도 있는 추가적인 진단 정보를 제공할 수 있다.

일반적으로, 건전성 표시를 생성하는데 사용되는 분류 모델은 모든 기계학습 또는 인공지능 기반의 모델이며, 예를 들어 신경망이 사용될 수도 있다. 그러나, 일반적으로 훈련된 분류 모델은 단일 클래스(single-class)의 분류 모델을 포함해도 된다. 단일 클래스 모델은 단일 세트의 훈련 샘플들의 속성을 학습하는 모델이다. 후속 샘플이 입력되면, 이 모델은 이것이 훈련 세트와 동일한 클래스의 것인지 다른지 판정한다. 이것은, 2개 이상의 별개의 클래스들의 훈련 샘플들을 구비하고 이들 클래스들 각각의 차이를 학습하려고 시도하는 다중 클래스 분류 모델과 대조를 이룬다. 결함이 있는 엔진과 관련하여 이용가능한 제한된 양의 훈련 데이터 때문에 단일 클래스 분류 모델이 엔진 건전성 모니터링에 적합하다.

다양한 다른 단일 클래스 분류 모델이 이용가능하지만, 특히 유용한 종류의 모델은 단일 클래스 서포트 벡터 머신(support vector machine: SVM)이다. SVM은 이 모델에 대한 판정 경계값을 정의하는 다수의 서포트 벡터들을 갖는 것을 특징으로 한다. SVM에 새로운 입력이 공급되면, 이것을 서포트 벡터들에 의해 정의된 경계값의 위치와 비교하여, 경계값에 의해 특정된 건전한 거동으로부터의 편이의 정량적 표시를 식별할 수 있다. 건전성 점수의 양 및 음의 값은 경계값 내부 및 외부에 놓이는 특징 벡터들을 표시하여, 엔진이 건전한지 또는 결함이 있는지에 대한 명확한 표시와, 엔진이 얼마나 건전한지 또는 얼마나 결함이 있는지에 대한 정량적 표시를 제공한다.

일반적으로, 사용시에 엔진 건전성 진단처리는 2개의 단계, 즉 특징 벡터들의 훈련 세트를 식별하고 이것을 이용하여 분류 모델을 훈련시키는 훈련 단계와, 동일한 엔진의 진동 감지를 계속하고 대응하는 진동 센서 데이터를 이용하여 대응하는 특징 벡터들을 생성하고 이들 특징 벡터를 훈련 모델을 이용하여 테스트하여 건전성 표시를 식별하는 동작 단계를 포함한다.

일부 구현예에서, 엔진 건전성 진단장치는 동작 단계를 구현하지만, 훈련 단계를 구현하지 않아도 된다. 그 대신에, 훈련 단계를 행하는 다른 장치를 이용하여 훈련된 분류 모델을 정의하는 모델 파라미터들이 사전에 결정된다. 따라서, 엔진 건전성 진단장치 그 자체는 분류 모델을 훈련시키는 회로를 가질 필요가 없다. 예를 들어, 훈련 단계에서 캡처된 진동 센서 데이터를 처리하여, 모델 파라미터를 생성하고, 그후 이 모델 파라미터가 엔진 건전성 진단장치 내부에 삽입되어 동작 단계 중에 사용하도록 하는 범용 컴퓨터 상에서 실행되는 소프트웨어를 이용하여 모델을 훈련할 수도 있다.

그러나, 더 유연한 시스템은 훈련 단계를 행하는 회로를 엔진 건전성 진단장치의 보드 상에 설치해도 된다. 따라서, 이 장치는, 훈련된 모델을 정의하는 모델 파라미터들을 기억하는 모델 기억회로와, 특징 벡터들의 최신의 훈련 세트에 근거하여 모델 파라미터들을 갱신하는 훈련회로를 갖는다. 이 경우, 먼저 특정한 엔진 위에 장치를 설치할 때, 훈련 단계를 행하여 특징 벡터들의 초기 훈련 세트에 근거하여 모델을 훈련시킨 후, 모델이 일단 훈련되면, 장치가 동작 모드로 전환되어, 모델 기억회로에 기억된 모델 파라미터들이 더 이상 갱신되지 않고, 진동 센서들로부터의 진행중인 데이터에 근거하여 그후 캡처된 특징 벡터들에 대한 건전성 표시를 산출하는데 사용된다. 장치가 훈련 모드로부터 동작 모드로 전환되는 시점은, 인간 조작자에 의해 수동으로 결정되거나, 예를 들어, 추가적인 훈련 특징 벡터들이 건전성 거동의 경계값의 위치를 크게 변경하지 않는 시점의 검출에 근거하여 자동화될 수도 있다. 진단장치의 보드 상에 훈련회로가 설치되면, 이것은, 결함이 존재하지 않더라고 엔진의 진동 거동이 변경된 것으로 판명되는 시간 이후의 나중의 단계에서 모델이 재훈련될 수 있도록 할 수 있다(예를 들어, 이 변경은 외부 인자, 예를 들어 엔진의 특정한 부품의 교체로 인하거나, 엔진에 걸린 부하 또는 요구의 변경으로 인할 수 있다). 또한, 특정한 시나리오에서는, 엔진이 달리 동작하지 않는 유휴 기간을 이용하여 모델을 재훈련시키기 위한 특징 벡터들의 새로운 훈련 세트를 수집할 수도 있다.

모델의 훈련은 다양하게 행해질 수 있다. 건전한 동작의 경계값을 판정하는 한가지 방법은, 모델 파라미터들을 변경하며, 훈련 세트의 소정 분율의 경계 외부의 특징 벡터들과 훈련 세트의 소정 분율의 벡터들 사이의 마진을 최대화하는 파라미터들을 최종의 훈련된 모델 파라미터들로 선택하는 알고리즘을 행하는 것일 수 있다. 예를 들어, 소정의 분율은 훈련 세트의 수 퍼센트일 수 있으며, 훈련회로는, 특징 벡터들의 특정한 퍼센트가 경계값 외부에 위치하고 나머지 특징 벡터들이 경계값 내부에 위치하고, 외부에 위치하는 특징 벡터들과 나머지 특징 벡터들 사이의 최대 평균 마진이 발견될 때까지 경계값의 다양한 정의가 시도되도록 경계값을 정의하려고 시도한다. 이때, 경계값의 외부에 놓이는 소정 분율("거부 분율")의 특징 벡터들은, 그 자체가, 외부에 놓이는 특징 벡터들과 나머지 특징 벡터들 사이의 최대의 마진을 찾으려고 시도하도록 조정되는 모델의 파라미터들 중에서 한 개일 수 있다.

일부 구현예에서, 진단장치는 진동 센서 데이터를 캡처하는 진동 센서를 구비한다. 그러나, 장치는 진단장치를 구비하지 않은 외부 진동 센서와 함께 사용될 수도 있다. 예를 들어, 지정된 엔진 내부에 이미 설치된 기존의 진동 센서를 사용할 수도 있다. 그러나, 현재의 접근방법의 한가지 이점은, 일체화된 내장된 센서들에 의존하는 것이 아니라, 원래의 위치에 있는 동안 엔진에 비침습적으로 부착가능한 새롭게 장착가능한 진동 센서들로부터의 데이터에 근거하여 잠재적인 엔진 결함을 검출할 수 있다는 것이다. 다른 접근방법에서 사용되는 압력 센서 등의 전형적인 내장된 엔진 센서들은 마모되기 쉬우며 결함 검출의 신뢰성을 저하시킬 수 있다. 이와 달리, 외부에 새로 장착가능한 센서들을 이용함으로써, 이들 센서는 마모되기 덜 쉬우며 특정한 제조사 또는 엔진 구성에 얽매이지 않는다. 일 실시예에서, 진동 센서는 가속도계를 구비한다.

엔진 건전성 진단장치는 원격지 사이트에 데이터를 전달하는 통신회로를 갖는다. 이것은 엔진 건전성 표시 또는 엔진 건전성 표시로부터 유도된 파라미터를 원격지 사이트에 송신하는데 사용될 수 있다. 따라서, 미처리된 진동 센서 데이터 그 자체를 송신하는 것 대신에, 이 센서 데이터의 처리와 건전성 표시의 발생은 엔진의 위치에 있는 현장에서 행해질 수 있다. 이것은 원격지 사이트에 전달할 필요가 있는 데이터의 양을 줄이는데, 이것은 특히 인공위성이나 셀룰러 통신이 필요한 경우에 통신 자원이 비교적 비용이 많이 들 수 있기 때문에 특히 중요할 수 있다. 그 대신에 건전성 표시를 송신함으로써 통신 비용을 절감할 수 있다. 일부 경우에, 엔진 건전성 표시의 절대값을 송신하는 것이 아니라, 유도된 파라미터를 송신하여 송신되는 데이터의 양을 더 줄일 수도 있다. 예를 들어, 통신회로는, 일반적으로 절대값보다 적은 수의 비트를 요구하는, 엔진 건전성 표시와 이전에 송신된 엔진 건전성 표시 사이의 차이를 표시하는 차동 엔진 건전성 표시를 통신할 수도 있다. 그후, 엔진 건전성 표시의 절대값이 원격지 사이트에서 송신된 차동 엔진 건전성 표시로부터 재구성될 수 있다. 건전성 표시 또는 유도된 파라미터 그 자체 이외에, 건전성 점수에 가장 크게 기여하고 있는 특정한 특징을 식별하는 코드 등의 다른 정보를 통신할 수도 있다(이 특징에 의해 식별되는 것은 전술한 공통 스케일 상의 최대값 또는 최소값이다.

일부 구현예에서는, 한 개의 진동 센서를 사용할 수 있으며, 엔진 건전성 표시는 이 한 개의 진동 센서로부터의 센서 데이터로부터 유도된다. 다기통 엔진에 대해서도, 한 개의 실린더로부터의 진동이 다른 실린더로 전파되기 때문에, 한 개의 실린더에 설치된 진동 센서는 다른 실린더들에 대한 정보를 추론할 수 있도록 할 수도 있다.

그러나, 특정한 실린더의 결함을 더 신뢰성있게 특정하는 것은 각각의 실린더들에 다수의 진동 센서들을 설치함으로써 달성될 수 있다. 따라서, 엔진 건전성 진단장치는, 대응하는 진동 센서들로부터 수신된 복수의 세트의 진동 센서 데이터를 수신하고, 이들을 이용하여 실린더들 중에서 한 개에 각각 대응하는 복수의 특징 벡터들을 생성한다. 그후, 훈련된 분류 모델을 이용하여 각각의 특징 벡터를 처리하여 대응하는 엔진 건전성 표시를 생성함으로써, 각각의 실린더에 대응하는 각각에 복수의 건전성 표시가 제공될 수 있다. 일부 경우에는 각각의 실린더의 특징 벡터가 동일하게 훈련된 분류 모델에 의해 처리될 수도 있지만, 실제적으로는 특정한 결함 중에 특정한 실린더들에서 식별된 진동 패턴들은 엔진 구성에 따라 실린더마다 다르다. 따라서, 대응하는 실린더로부터 캡처된 데이터에 근거하여 각각 훈련된 다수의 별개로 훈련된 분류 모듈을 제공하는 것이 유용할 수 있으며, 이때 지정된 실린더에 대한 건전성 표시는 이 실린더 특유의 해당하는 분류 모델을 이용하여 계산된다.

도 1 및 도 2는 왕복식 내연 엔진(4)의 건전성을 분석하는 시스템(2)의 일례를 나타낸 것이다. 예를 들어, 엔진(4)은, 해양 선박용 추진 시스템으로서의 역할을 하는 디젤 엔진, 전력을 생성하는 발전기, 또는 다른 종류의 왕복식 내연 엔진일 수 있다. 시스템(2)은, 엔진(4)에 장착된 다수의 엔진 장착 센서들(6)과, 센서 데이터를 수신하고, 센서 데이터를 처리하여 특징들을 식별하고, 훈련된 분류 모델을 이용하여 식별된 특징들을 처리하여 엔진(4)에 대한 건전성 표시를 발생하고 이 건전성 표시를 출력하는 온보드(on board) 엔진 건전성 진단 모듈(8)을 구비한다. 엔진 건전성 진단 모듈(8)은 센서 데이터를 처리하여 건전성 표시를 발생하는 내장된 하드웨어 아키텍처(10)와 내장된 소프트웨어 아키텍처(12) 중에서 한 개 또는 모두를 구비한다. 예를 들어, 내장된 하드웨어 아키텍처(10)는 필드 프로그래머블 게이트 어레이(FPGA) 등의 센서 데이터의 처리시의 맞춤식 하드웨어 기구를 구비하는 반면에, 내장된 소프트웨어 아키텍처(12)는 센서 데이터 처리를 구현하는 소프트웨어를 실행하는 범용 프로세서를 구비할 수도 있다. 발생된 건전성 표시는 그래픽 사용자 인터페이스(GUI)를 거쳐 온보드 모듈(8) 상에 국소적으로 표시되거나, 온보드 통신 프로세서(18)를 거쳐 원격지 서버(16)에 전달될 수 있다. 통신 프로세서(18)는 한가지 종류의 통신 방식을 지원하거나, 1개보다 많은 종류의 통신 방식을 지원할 수 있다. 예를 들어, 다음의 통신 방식 중에서 한 개 이상을 통신을 위해 사용할 수 있다: 4G LTE 등의 셀룰러 통신(20), 위성 통신(22), 802.11n/ac 등의 로컬 무선 통신(24)(WiFi(등록상표), 또는 다른 근처의 해안 기반의 스테이션 또는 위성에 의해 데이터를 교환함으로써 선박을 식별하고 위치를 파악하는데 사용되는 자동 식별 시스템(automatic identification system: AIS)(26). 그후, 원격지 서버(16)에게 송신된 건전성 표시는, 소프트웨어 아키텍처(28)에 의해 서버측에서 분석되고, 또 다른 그래픽 사용자 인터페이스(30)를 거쳐 서버의 조작자에게 표시될 수 있다. 예를 들어, 특정한 기간에 설쳐 수신된 건전성 표시들은 그래픽으로 표시되어, 조작자가 결함을 식별할 수 있는 변경을 식별할 수 있게 하여, 엔지니어가 가서 엔진을 조사해야 하는지 판정하거나 수리 또는 유지보수 작업의 일정을 잡는데 이용할 수 있다.

특히, 시스템(2)은 다양한 다른 엔진들에 새로 장착될 수 있는(즉, 특정한 제조사 또는 엔진 구성에 얽매이지 않는) 비침습성 센서를 이용하는 한편, 인공지능 접근방법을 이용하여 센서 데이터를 이해하고 개별적인 실린더 건전성의 정량적 측정값을 제공함으로써, 진동 판독값을 특정한 사전에 정의한 임계값들에 대해 단순히 비교하는 시스템보다 훨씬 일찍 엔진 결함의 검출 및 분류를 가능하게 한다. 센서 데이터의 분석은 엔진 현장 자체에서 행해진 후, 이것이 낮은 데이터 레이트를 갖는 통신 베어러(bearer)를 포함하는 다양한 다른 통신 베어러에게 접속되어, 처리된 정보를 송신함으로써 비교하고 클라우드에 다시 기억할 수 있다. 이에 따라, 설치 및 테스트 단계 중에 엔진 '서명'이 캡처되어, 클라우드에 기억될 수 있으며, 이 서명과의 차이만 송신되어 추세(trend)의 비교를 가능하게 한다. 정량적 엔진 건전성 득점 시스템을 사용하여, 단순한 임계값 기반의 측정과 관련된 "Amber가 얼마나 심각해?" 문제를 회피한다. 건전성 점수는, 엔진의 어떤 실린더가 문제를 일으키는지 뿐만 아니라, 근원이 되는 변경 속도를 (엔진 사이트 및 원격지 사이트 모두에 있는) 유저들에게 간결하게 통보하도록 정보를 제시하는 그래픽 사용자 인터페이스를 제공할 수 있다. 후자는 증가하는 변경 속도가 심각한 고장이나 재앙을 일으키는 결함에 대한 전조일 수 있으므로 중요하다. 둘째, 주 베어링, 염료 펌프, 윤활유 온도의 변동과 터보챠저 불균형 등의 "비실린더(non-cylinder) 관련" 결함도 실린더 진동 측정으로부터 유도될 수 있다.

도 3은 온보드 엔진 건전성 진단장치(8)에 의해 행해지는 처리를 더욱 상세히 나타낸 것이다. 도 3에 도시된 것과 같이, 엔진(4)은 다수의 실린더들(40)을 구비하고, 각각의 실린더는 실린더 케이싱(44) 내부에서 왕복운동하여 피스톤(42)의 상단과 실린더 헤드(48) 사이의 공간((46) 내부의 연료-공기 혼합물을 압축하는 피스톤(42)을 구비한다. 피스톤(42)은 크랭크축(50)을 구동하고, 각각의 실린더들(40)은 크랭크축 주위의 서로 다른 각도 위치에 체결된 피스톤들(420을 가져, 각각의 실린더가 엔진의 동작 사이클의 특정한 시점에 점화한다. 도 3에는 4개의 실린더를 갖는 예를 나타내었지만, 이 기술은 어떤 수의 실린더를 갖는 엔진에도 적용될 수 있다는 것이 자명하다. 또한, 도 3은 간략을 위해 각 실린더의 극도로 단순화한 표시를 나타내지만, 각각의 실린더는 연료 분사기, 배기 밸브 등의 다른 부품을 구비할 수도 있다는 것이 자명하다. 온보드 진단 모듈(8)은 모든 공지된 설계의 왕복식 내연 엔진에 새롭게 장착될 수 있으므로, 이 기술은 어떤 특정한 형태의 엔진에 한정되지 않는다.

도 3에 도시된 것과 같이, 진동 센서(60)가 각 실린더의 실린더 헤드(40)에 새롭게 장착된다. 각각의 진동 센서(60)는 가속도계를 구비한다. 예를 들어, 산업용 정전류 가속도계가 (예를 들어, 자기 부착을 이용하여) 엔진의 외부에 장착될 수도 있다. 각각의 진동 센서는 개별적인 실린더 헤드들(48)의 상단에 배치되는데, 센서에 대한 복수의 위치를 연구한 연구결과는 이것이 최선의 결과를 제공하는 것으로 밝혔지만, 가속도계를 엔진 위의 다른 위치에 배치하는 것도 가능할 것이다. 가속도계는 실린더 헤드의 휨의 크기에 근거하여 전압을 발생하며, 이것은 아날로그 디지털 변환기(ADC)(62)를 거쳐, 예를 들어, g의 단위를 갖는 진동의 디지털 측정값으로 변환된다. 이들 가속도계 이외에, 상사점(top dead center: TDC) 센서(64)가 엔진의 플라이휠(68)에 부착된다. TDC 센서(64)는, 플라이휠(68) 위에서 회전하고, 고정 센서 헤드(64)를 통과할 때, 작은 전압 펄스를 유도하는 소형 자석(66)을 검지한다. 이 펄스는 ADC(70)를 통해 공급되어 사각 펄스를 제공하며, 이 사각 펄스는 엔진 크랭크축이 특정한 실린더에 대한 TDC를 통과할 때의 타이밍에 대한 정밀한 참조값을 제공한다(특정한 실린더의 상사점(TDC) 위치는 피스톤이 크랭크축의 축에서 가장 멀리 떨어져 있을 때이다). TDC 센서(64)는 엔진의 동작 단계에 대한 실린더의 상대적인 타이밍을 감지하는 센서의 일례이지만, 크랭크축 각도 센서들의 다른 예가 제공될 수도 있다. 더욱 일반적으로는, 실린더 점화에 기인한 진동이 엔진 사이클의 위상과 관련될 수 있도록 하는 엔진의 일부 파라미터를 감지하는 모든 센서가 사용될 수도 있다.

캡처된 센서 데이터를 처리하는데 사용되는 하드웨어 및/또는 소프트웨어 아키텍처(10, 12)는 다양한 형태를 취할 수 있다. 예를 들어, ADC들(62, 70)은 데이터로거(datalogger) 상에서 구현되며, 데이터로거 데이터는 센서 데이터를 분석하기 위한 소프트웨어를 실행하는 범용 프로세서에 출력된다. 이와 달리, 임베디드 프로세서, 즉 시스템 온 칩(SoC)에 접속되도록 FPGA(필드 프로그래머블 게이트 어레이)가 설치되어도 된다. FPGA는 가속도계(60) 및 TDC 센서(64)로부터의 합성된 데이터세트에서 발생되는 주요한 특징들의 더 신속한 계산을 가능하게 하여, 언제 엔진 건전성이 열화하고 있는지, 즉 결함을 유발하고 있는지, 또는 결함이 이미 존재하는지 여부에 대한 더 양호한 실시간 분류를 지원한다. 따라서, 일부 경우에는 분류 모델 처리가 FPGA 상에 하드코드된 VHDL/Verilog으로서 실행되어도 된다.

어느쪽이든, 모듈(8)의 임베디드 하드웨어 아키텍처(10) 및/또는 소프트웨어 아키텍처(12)는 다수의 채널들의 센서 데이터 처리를 행하며, 각각의 채널은 진동 센서 데이터의 시간 및 주파수 도메인 특징 및 피크 진동 특징의 합성된 분석을 행하고, 건전한 상태로부터 진동 센서 데이터의 관찰된 특징들의 편이를 정량화하기 위한 득점 시스템을 제공한다. 도 3에 도시된 것과 같이, 각각의 채널은, 실린더들 중에서 한 개에 대응하고, 대응하는 실린더 상에 장착된 진동 센서(60)에 대응하는 ADC(62)로부터 서로 다른 진동 센서 데이터와, TDC 센서(74)로부터의 동일한 타이밍 데이터(이것은 가속도계 데이터의 피트 진동의 타이밍을 식별하는 참조값으로 사용된다)를 수신한다. 각 채널의 처리는 2개의 주된 단계를 포함한다. 먼저, 진동 센서 데이터와 TDC 센서 데이터를 처리하여 특징 벡터(80)가 생성된다. 특징 벡터(80)는 대응하는 실린더(40)에 대해 캡처된 데이터의 대응하는 특징을 각각 나타내는 다수의 특징 치수를 갖는다. 특징 벡터는, 훈련된 분류 모델(82)에 입력되어, 처리되어 대응하는 실린더에 대한 이전에 관찰된 건전한 거동으로부터 검출된 특징 벡터의 편이를 특징짓는 대응하는 건전성 표시(84)를 출력한다. 이 처리는 이하에서 더욱 상세히 설명한다. 따라서, 모듈(8)은 엔진(4)의 N개의 실린더들 중에서 한 개에 각각 대응하는 N개의 별개의 건전성 표시들(84)을 출력한다.

건전성 표시들은 그후 통신 프로세서(18)를 거쳐 서버(16)에 송신되는 패킷 데이터를 발생하는데 사용될 수 있다. 미처리된 센서 데이터를 서버(16)에 출력하는 대안이 되는 기술과 대조적으로, 엔진의 위치에 있는 사이트의 모듈(8) 내에서 국소적으로 특징 벡터 발생(8) 및 분류 모델 처리(82)를 행함으로써, 서버(16)에 통신할 데이터 량을 크게 줄일 수 있어, 통신을 위한 비용이 많이 드는 대역폭 요구를 없앨 수 있다. 예를 들어, 건전성 표시(84)는 진동 센서들로부터 수신된 방대한 양의 센서 데이터와 대조적으로 적은 수의 비트들만이 송신되는 것을 요구한다. 절대값들을 송신하는 것이 아니라 이전에 송신된 값에 대한 차이를 송신하는 차동 방식을 이용하여 건전성 표시를 인코딩함으로써 데이터 볼륨을 더 줄일 수 있다. 다른 옵션은, 건전성 표시가 특정한 임계값보다 적은 엔진 건전성의 정도를 표시하는 경우에만 건전성 표시를 송신하는 것일 수 있다. 건전성 표시 그 자체 이외에, 특징들 중에서 어떤 특정한 특징들이 가장 중요한지의 표시와 같은 다른 데이터가 서버로 송신될 수도 있다. 간단한 건전성 표시와 해당 특징들의 패턴을 나타내는 비교적 적은 수의 비트들의 코드를 송신하는 한가지 이점은 통신을 위해 AIS(26)를 이용할 수 있다는 것이다. AIS는 선적 기반의 응용을 위한 선박 추적을 위해 필요한 정보와 함께 이진 데이터를 송신하기 위해 이용가능한 매우 적은 양의 대역폭을 갖는다. 따라서, AIS를 이용할 수 있으면, 더 비용이 많이 드는 셀룰러 또는 위성 통신 기술에 비해 거의 비용이 들지 않고 데이터를 송신할 수 있는 것 같이, 건전성 표시를 비교적 작은 페이로드로 압축할 수 있는 능력이 특히 유리하다. 선적 이외의 응용에 대해서는, AIS를 보통 이용할 수 없으며, 다른 통신 기술을 이용할 수 있다.

도 4는 임베디드 하드웨어 및/또는 소프트웨어 아키텍처에 의해 제공되는 처리를 더욱 상세히 나타낸 것이다. 이 아키텍처는, 진동 센서 데이터(91) 및 TDC 데이터(94)를 처리하여 센서 데이터에 대응하는 특징 벡터(80)를 발생하는 특징 발생회로(90)와, 특징 벡터의 파라미터들을 스케일링하여 벡터(8)의 다양한 특징 치수들 각각에 대한 공통된 기준 스케일 상에 이들 파라미터들을 매핑하는 스케일링 회로(92)와, 스케일링된 특징 벡터에 근거하여 건전성 점수 계산을 행하는 처리회로(94)를 구비한다. 옵션으로, 임베디드 아키텍처(10, 12)는, 건전성 점수 처리회로(94)에 의해 사용된 분류 모델에 정의된 모델 파라미터들을 기억하는 모델 버퍼(96)와, 이하에서 설명하는 것과 같이 훈련 단계 중에 모델 파라미터들(96)을 갱신하는 훈련회로(98)를 더 구비한다. 그러나, 실시예가 모델을 훈련시킬 능력이 없는 고정 모델을 이용하는 경우에는 훈련회로(98)와 모델 버퍼(96)를 생략할 수 있으며, 이 경우에는, 예를 들어, 모델 파라미터들이 그 대신에 건전성 점수 처리회로(94) 내부에서 하드코드되거나 판독 전용 스토리지에 기억된다. 도 4는 한 개의 실린더에 대응하는 한 개의 채널의 건전성 점수 계산에 대해 행해지는 처리를 나타내지만, 도 3의 다기통의 경우에는, 각각의 채널의 처리가 도 4에 도시된 기능을 포함한다는 것이 자명하다. 간략을 위해, 이하에서는 한 개의 채널의 처리를 참조하지만, 이것이 각 실린더에 대해 병렬로 복수회 행해져도 된다는 것이 자명하다.

도 4에 도시된 것과 같이, 특징 벡터(80) 내부의 특징들은 3가지 주된 부류의 특징들, 즉 주파수 도메인 특징(100), 시간 도메인 특징(102) 및 피크 진동 특징(104)을 포함한다. 진동 센서 데이터(91)는 대응하는 진동 센서에 대해 ADC(62)에 의해 발생된 일련의 디지털 판독값을 포함한다.

주파수 도메인 처리(100)는 진동 센서 데이터(91)의 지정된 윈도우에 웨이블렛 패킷 변환(110)(WPT)을 적용하여 시간 도메인 일련의 진동 센서 데이터를 다수의 별개의 주파수 대역의 신호로 분해하는 과정을 포함한다. 예를 들어, WPT는 주파수 대역들로 분할된 512개의 별개의 주파수 특징들을 발생한다. 그후, 산출회로(112)는, 각각의 주파수 대역에 대해, 대응하는 주파수 대역에서의 진동 에너지를 산출하고, 산출된 에너지를 특징 벡터의 대응하는 특징으로서 출력한다. 지정된 주파수 대역에서의 에너지는 대응하는 주파수 대역에 대해 발생된 신호 WPT의 제곱에 해당한다. 따라서, 특징 벡터(82)는 지정된 주파수 대역의 진동 신호에 포함된 에너지에 각각 대응하는 다수의 주파수 도메인 특징들을 포함한다. WPT를 사용하여 주파수 도메인에 있는 데이터를 분석하는 것은 비교적 연산적으로 힘든 접근이지만(실시간 시스템으로 구현할 경우를 함축한다), 엔진 속도가 변하는 경우 주파수가 변하기 때문에, 이것은 엔진 건전성 모니터링에 특히 적합하고(에를 들어 FFT는 일정한 속도 샘플에 더 적합하다), 엔진 속도 변화에도 불구하고, 복잡성으로 인해, 웨이블렛이 흥미로운 특징을 얻을 수 있다. 이것은 언제나 부하를 따르는 추진 엔진을 고려할 때 매우 중요한데, 즉 전력 출력의 증가를 필요로 하여 엔진 속도가 변화하는 엔진에 대한 수요가 존재하며, 모니터링/엔진 건전성 측정이 일정한 속도 샘플에 의존한다면, 아마도 이것을 "결함"으로 플래그를 붙일 것이다.

시간 도메인 처리(102)는 미처리된 시간 시리즈의 진동 센서 데이터(91)에 근거하여 다수의 통계 파라미터를 계산하는 것을 포함한다. 예를 들어, N개의 진동 센서 판독값 x₀ 내지 x_N-1의 지정된 세트에 대해, 시간 도메인 특징은 다음 중에서 어느 것을 포함한다:

· 평균(116), 예를 들어,

· 분산 또는 표준편차(118), 즉 분산

또는 표준편차

.

· 현재의 윈도우 내의 샘플들의 분포에서 피크의 첨예도의 측정값을 제공하는 첨도(120). 높은 첨도는 샘플들이 평균 주위에서 모여 있다는 것을 나타내는 반면에, 낮은 첨도는 평균으로부터 더 멀리 놓인 더 높은 꼬리의 값들이 존재한다는 것을 나타낸다. 예를 들어, 사용될 수 있는 첨도의 한가지 표시는

· 샘플의 분포가 얼마나 대칭적이거나 비대칭적인지의 측정값을 제공하는 사행도(122). 예를 들어, 사용될 수 있는 사행도의 한가지 측정값은

· 평균 평방근(RMS)(124), 즉

· 평균 평방근에 대한 파형의 피크값의 비율의 측정값인 파고율(126)(즉 C=X_max/X_rms).

주파수 도메인 분석과 함께 시간 도메인 분석 특징을 이용하여 진동 데이터의 이상의 속성 및 거동을 결정함으로써, 추가적인 종류의 결함을 검출할 수 있다. 예를 들어, 첨도와 사행도를 사용하지 않으면, 분해된 주파수 대역들을 가로질러 에너지 증가/감소를 보는 것이 가능하지만(예를 들어, 진동이 점점 더 열악해진다), 들어온 진동 신호의 몇 퍼센트가 이상을 나타내고 있는지(첨도)와 진동 데이터 포인트의 확산이 정규분포에 대해 대칭인지 여부(사행도)를 추론하는 것이 곤란할 것이다. 높은 첨도 점수(첨예한 분포 곡선) 및 (정규 분포에 접근하는) 낮은 사행도 점수는 이와 같은 기형이 실린더의 내부 결함이 아니라 외부 요인(예를 들면, 엔지니어가 엔진 근처에서 무거운 물체를 떨어뜨린 것)을 반영하고 있다는 것을 나타낸다. 시간 도메인 데이터도 데이터에서 보이는 결함이 단순히 경시변화하는 엔진의 영향인지 또는 진정으로 문제가 있는지 식별하는데 도움이 될 수 있다.

피크 진동 처리(104)는, 엔진의 동작 사이클에 대해 진동의 피크(최대) 진폭이 검출되는 타이밍에 관련된 다수의 특징을 식별한다. 2행정 엔진에서는, 엔진의 동작 사이클이 크랭크축의 한번의 360도 회전에 대응하므로, 피크 타이밍 특징(130)은 단순히 대응하는 실린더에 대해 피크 진폭이 검출되었을 때의 크랭크축의 각도의 표시이다. 그러나, 4행정 엔진에 대해서는, 엔진의 완전한 동작 사이클이 크랭크축의 2회전(720도의 회전)을 넘으며, 이 경우에는 피크 타이밍 처리(104)가 크랭크축의 각도를 식별할 뿐만 아니라, 지정된 실린더에 대한 피크 점화 지점이 크랭크축 회전의 첫 번째 360도에서 발생하는지 또는 두 번째 360에서 발생하는지를 식별한다. 이때, 피크 타이밍 파라미터(130)가 회전 각도 면에서 크랭크축 각도를 명시적으로 식별할 필요는 없다는 것이 자명하다. 엔진의 크랭크축 각도 또는 일부 다른 동작 단계를 나타내는 모든 값을 사용할 수 있다(예를 들어, 피크 타이밍 값이 360도 또는 720도로 크기가 조정될 필요는 없다). 타이밍 파라미터(130) 이외에, 피크 타이밍 시점에서의 진동의 진폭도 특징 벡터의 또 다른 특징(132)으로서 출력될 수도 있다. 시간 및 주파수 도메인 처리 특징들 이외에 피크 진동 타이밍 특징을 특징 벡터(80)에 포함시킴으로써, 시간 및 주파수 도메인 특징만으로는 검출하는 것이 곤란한, 지정된 실린더의 늦은 점화를 일으키는 결함을 검출할 수 있다.

이때, 피크 진동 대 크랭크축 각도의 분석에서, 서로 다른 점화 시퀀스들을 갖는 다수의 엔진(즉, 3개의 실린더 대 직선의 8개의 실린더)으로부터의 테스트 데이터에 근거하여, 전체 720도에 걸쳐, 특정한 엔진에 대해, 피크 진동이 실린더의 점화시에 반드시 나타내는 것은 아니고, 배기 행정에서 나타난다는 것이 관찰되었다. 점화시에 실린더 내부에서의 폭발이 피크 압력 직전에 발생하고, 이 압력파가 실린더 헤드에 연결되어, 최대의 휘어짐을 제공할 것으로 예측되는 것을 고려하면, 이것은 직관을 크게 벗어난 것이다. 그러나, 결과적으로 생기는 피스톤 동역학을 고려하면, 연소실이 훨씬 낮은 압력에 있다면 배기 행정에서 피크 진동이 발생할 수 있으므로, 피스톤이 더 높은 압력에서 연료/공기 혼합물을 빠르게 압축하고 있을 때에 비해, 피스톤의 운동으로부터 기계적인 진동의 훨씬 더 적은 완충이 존재한다. 따라서, 피크 진동은 반드시 실린더가 점화한 시점이 될 필요는 없지만, 실린더의 점화의 지연이 피크 진동도 지연시키므로, 이것이 사용되었던 방법론에 악영향을 미치지 않는다. 즉, 피크 진동이 동력 행정시에 발생하지 않더라도, 이것은 720도의 크랭크축 회전의 특정한 일부분의 참조값으로 사용되며, 시간 경과에 따른 개별 실린더에 대한 피크 진동 타이밍 대 크랭크축 각도의 변화를 추적하는데 여전히 이용될 수 있는데, 이것은 유용한 결함 표시기이다. 실제로, 크랭크축 각도에 대한 피크 진동의 상대적인 타이밍은, 지정된 엔진 설비에 고유하며, 훈련단계에서 학습될 수 있으므로, 시간 경과에 따른 변화를 나중에 동작 단계에서 검출할 수 있다.

시간 도메인, 주파수 도메인 및 피크 타이밍 특징을 포함하는 특징 벡터(80)는 스케일링 회로(92)에 입력되고, 스케일링 회로는 특징 벡터의 각각의 독립 변수를 훈련 단계 중에서 생성된 스케일링 파라미터에 따라 공통된 기준 스케일로 스케일링한다. 이것은, 절대값이 다양한 스케일 상에서 변동하더라도, 벡터의 각각의 독립적인 특징이 건전성 점수 처리회로(94)에 의한 분류에 대해 거의 동등한 기여를 갖도록 보장한다. 스케일링 회로(92)는 다양한 기술을 이용하여 각각의 파라미터를 스케일링할 수 있다. 일 실시예에서, 스케일링은, 특징 벡터의 각각의 특징 f_i에 대해,

에 따라 재스케일링된(rescaled) 값 f_i ^'을 계산하는 범위 스케일링을 이용하는데, 이때 f_{i -min} 및 f_{i -max}는 훈련 단계에서 마주치는 이 특정한 특징 f_i에 대한 최소값 및 최대값이다. 이와 달리, 스케일링 회로(92)는 f_i'이

에 따라 계산되는 평균 스케일링을 사용하는데, 이때

및 σ_i는 모델을 훈련시키기 위해 사용된 특징 벡터들의 훈련 세트에서 특징 f_i의 값들에 대해 검출된 평균 및 표준편차이다. 따라서, 특징 벡터의 각각의 특징은, 훈련중에 벡터의 각각의 특징에 대해 별개로 학습되는 대응하는 세트의 스케일링 파라미터들(f_i-min 및 f_{i -max}, 또는

및 σ_i)을 갖는다. 훈련중에, 이것은 범위 0 내지 1 사이의 공통된 스케일 상에 매핑되는 특징 벡터의 각각의 특징을 발생한다. 훈련중에 스케일링 파라미터들을 고정함으로써, 이것은, 동작 단계에서 특정한 특징이 훈련중에 보이는 범위를 벗어나는 경우, 이것이 범위 0 내지 1을 벗어난 값을 갖게 되고, 이것이 이상으로 검출되고 서버(16)에 출력된 데이터에 플래그가 붙여질 수 있다는 것을 의미한다. 예를 들면, 최대값 또는 최소값이 훈련 세트에 있는 특징들에 대한 범위를 지속적으로 벗어나는 특정한 수의 "상위" 특징을 식별할 수 있으며, 어떤 특정한 파라미터들이 훈련 범위를 초과하였는지를 나타내는 코드가 서버(16)에 송신되는 데이터의 일부로서 출력될 수 있다.

스케일링된 특징 벡터는 훈련된 분류 모델에 따라 특징 벡터를 분류하는 건전성 점수 계산 회로(94)에 입력된다 . 특히, 분류 모델은 1 클래스 모델일 수 있으며, 경우에 따라 지원 벡터 머신일 수 있다. 도 5 및 도 6은 각각 모델의 훈련 단계 및 동작 단계를 개략적으로 도시한 것이다. 이해를 돕기 위해, 도 5와 도 6은 2개의 독립 변수 FV-x와 FV-y만 있는 특징 벡터(80)를 가정한다. 따라서 각 특징 벡터는 X축과 Y축에 도시된 2개의 독립 변수가 있는 그래프에 그래픽으로 도시될 수 있다.

도 5에 도시된 훈련 단계동안, 엔진이 건전하게 작동하는 기간동안 일련의 순간에 수집된 진동 센서 데이터(91)에 대응하여 훈련 세트의 특징 벡터가 계산될 수도 있다. 엔진의 건전성 여부에 대한 판단은 예를 들어 훈련과정을 감독하는 엔지니어가 수행할 수 있다. 엔진이 100% 완벽하게 건전할 수는 없지만, 엔지니어는 엔진 작동에 명백한 결함이 없다고 판단할 수 있다는 것이 자명하다. 도 5에 도시 된 바와 같이, 엔진의 건전한 작동동안, 대부분의 특징 벡터는 특징 공간의 특정 영역에 클러스터링되지만, 특징 벡터의 주 클러스터로부터 더 멀리 위치하는 외부에 위치하는 특징 벡터가 있을 수 있다. 1-클래스 지원 벡터 머신은 특정한 퍼센트의 외부에 위치하는 특징 벡터로부터 특징 벡터들의 훈련 세트의 디마크(demark)하는 경계(150)를 정의함으로써 훈련 데이터 세트를 분류하려고 시도한다. 모델은, 예를 들어, 특징 경계(150)를 표현하는데 사용되는 함수의 복잡도를 정의하는 커널 폭 및 특징 경계(150)의 외부에 위치하는 외부의 특징 벡터의 특정 분율을 나타내는 거부 분율을 포함하는 다수의 제어 파라미터에 의해 특징지어질 수 있다. 예를 들어, 선형 함수 또는 비선형 함수와 같은 다양한 커널 함수가 사용될 수 있다. 가우시언 함수는 합리적인 모델 성능을 제공할 수 있다. 커널 폭은 경계 함수가 얼마나 감겨 있는지(convoluted)("흔들리는지") 정의한다. 함수가 비교적 간단하면, 경계가 적절하게 경계가 특징 벡터들의 훈련 세트의 클러스터링을 수용하기 위해 앞뒤로 흔들 필요가 있는 더 복잡한 분류를 처리할 수 있도록 하지 않을 수도 있지만, 함수가 너무 복잡하면, 이것은 경계가 특징 벡터들의 훈련 세트의 노이즈에 의해 과도하게 영향을 받게 하여, 함수가 전체적으로 모델에 의해 학습되고 있는 더 넓은 특징들의 클래스를 대표하지 않을 수도 있는 특정한 데이터 값에 과도하게 끼워넣어지는 것으로 끝날 수 있다. 함수와 사용될 수 있는 적절한 커널 함수의 일례를 설명한다. 더 간단한 이해를 위한 도 5는 2차원 특징 벡터를 도시하고 있기 때문에, 경계는 특징 공간에서의 선이고, 더 큰 차원에서, 경계 기능의 특징 벡터도 더 많은 수의 차원에서 정의될 수도 있다. 예를 들어, 3차원 특징 벡터에 대해, 경계는 2차원 평면일 수 있고, 보다 일반적으로는 N차원 특징 공간에 대해, 경계 함수는 보통 (N-1)차원 함수일 수 있다. 따라서, 경계 함수는, 커널 함수에 의해 정의되는 N차원 공간의 초평면으로 볼 수 있다.

분류 모델을 훈련하기 위해, 최적화 알고리즘을 행하여, 경계(150)와 경계 외부에 놓이는 윤곽 특징 벡터들의 소정의 거부 분율 사이의 평균 마진을 최대화 할 목적으로 경계 함수(150)의 파라미터를 변화시켜도 된다. 이것은, 경계(150)와 특징 벡터의 외부에 위치하는 분율 사이의 마진이 크면, 이것은 경계(150)가 이 경계 내에 있는 나머지 특징 벡터의 공통의 특성을 분류하기 위한 최적의 위치에 있다는 것을 의미한다는 관찰을 이용한다. 이와 관련하여, 지정된 특징 벡터와 경계 사이의 마진은 특징 벡터와 특징 벡터로부터 최소 거리 떨어진 경계의 에지 사이의 유클리드 공간에서의 거리로서 계산될 수 있다. 1-클래스 SVM을 훈련시키기 위한 훈련 기법의 일례는, Scholkopf et al, "Support Vector Method for Novelty Detection", in NIPS(Vol. 12, PP 582-588)와, Scholkopf et al, "Estimating the support of a high-dimensional distribution", Neural computation, 13(7), pp.1443-1471, 2001에서 발견할 수 있다.

일부 실시예에서, 훈련 단계는, 거부 분율과 커널 파라미터의 상이한 조합을 사용하여 모델을 다수회 훈련시킨 후, 특징 벡터의 개요 분율과 경계(150) 사이에 평균적으로 가장 큰 마진을 발생하는 훈련된 모델을 선택하려도 시도한다. 다른 실시예들은 단순히 커널 함수 폭 및 거부 분율의 단일값을 선택한 후 이들 파라미터들에 부합하는 경계의 최적 정의를 찾도록 시도할 수 있다. 어느 쪽이든 일반적으로, 경계(150)는 경계 상의 위치를 나타내는 다수의 지원 벡터에 의해 정의될 수 있고, 이와 같은 지원 벡터들은 훈련된 모델의 특징을 짓기 위해 모델 버퍼(96)에 기억될 수도 있다.

훈련 단계는, 센서(6) 및 모델(8)이 특정한 엔진에 대해 마주치는 특정한 진동 거동을 학습하기 위해 이 지정된 엔진에 대해 먼저 설치될 때 행해져도 된다.

반면에, 일단 훈련 단계가 완료되면, 모델 버퍼(96)에 저장된 파라미터는 건전성 점수를 계산하기 위해 동작 단계에서 사용될 수 있다. 도 6에 도시된 바와 같이, 모델 파라미터는 건전한 동작 기간동안 캡처된 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계(150)를 정의한다. 그후, 이후의 연산 처리에서, 새롭게 검출된 특징 벡터는 새로운 특징 벡터와 경계(150) 사이의 거리를 식별하기 위해 경계와 비교될 수 있다. 마찬가지로, 거리는 N차원 하이퍼 공간에서 특징 벡터와 경계(150) 사이의 유클리드 거리로서 계산되며, 이때 N은 특징 벡터의 특징의 수이다.

따라서, 건전성 점수는 새로운 특징 벡터가 건전한 조작의 경계로부터 얼마나 벗어났는지를 특징짓는 정량적 값을 나타낼 수 있다. 특징 벡터가 정확히 경계(150)에 놓이면, 이것은, 특징 벡터와 경계 사이의 거리가 없기 때문에, 0의 건전성 점수를 제공할 수 있다. 따라서, 양 및 음의 값의 건전성 점수 H는 값이 경계의 외부 또는 내부에 놓이는 값을 나타낸다. 양수 및 음수 중 어느것이 경계 외부를 나타내고 어느 쪽이 경계 내부를 나타내는지는 설계상의 선택이며, 이것은 어느 방법으로서 행할 수 있다. 도 6의 예에서, 양의 건전성 점수 H는 기능 벡터가 경계(150) 내부에 위치하여 건전한 엔진을 나타내는 것을 표시하는 한편, 음의 건전성 점수는 특징 벡터가 경계 외부에 놓이는 건전하지 않은 엔진을 표시한다. 이와 같은 정량적 건전성 점수를 제공함으로써, 잠재적인 결함이 존재하는 것을 특징지울 수 있을 뿐 아니라, 결함이 아직 감지되지 않았을 때 엔진 건전성의 정도를 평가할 수 있다. 예를 들어, 경계 내부에서 더 멀리 놓인 특징 벡터는 건전한 영역의 에지에 더 가까운 특징 벡터보다 더 건전한 엔진을 나타낸다. 또한, 나중에 더 중요하게 될 수 있는 문제의 시작을 반영하는 시간 경과에 따른 건전성 점수의 변화도 감지될 수 있다.

더 긴 기간의 경향을 관찰하고 분석하는 것 외에, 건전성 점수는 엔진이 서비스를 제공하기 전후에 어떻게 거동하는지에 대한 참조 데이터를 제공할 수 있는데, 예를 들어, 이론상으로 서비스가 엔진의 건전성을 향상시키지만, 이것이 특히 침습성의 서비스이거나 서비스중에 실수가 발생하면, 엔진 성능에 부정적인 영향을 미칠 가능성이 있다. 극단적인 예를 들면, 피스톤 링을 교체했지만, 잘못 설치한 경우, 예를 들어, 거꾸로 설치한 경우 이것이 일어날 수 있는데, 이러한 일은 실제로 발생하는 것으로 나타났다. 위에 설명한 모니터링 장치는. 오류를 바로 잡을 수 있도록, 서비스에 실수가 행해진 것을 신속하게 감지할 수 있다.

또한, 건전성 점수는 엔진의 다양한 환경이나 작동 조건에 대해 평가될 수 있으며, 이 데이터의 이력 추세 분석을 이용하여, 최적의 엔진 구성, 또는 엔진이 장래에 설치될 특정한 응용에 대한 최적의 엔진 선택을 예측하는데 도움이 될 수 있다.

이때, 도 5와 도 6은 SVM 모델의 개념도이다. 실제 모델은 고차원 모델이기 때문에 이러한 방식으로 그래픽으로 표현될 수 없지만, 도 5와 도 6의 개념도는 2 차원의 예를 사용하여 모델의 원리를 나타낸다. 이것들은 단지 모듈(8)에서 사용된 실제 SVM 모델의 실제 그림이 아니라 개념도일 뿐이다.

도 7은 모델을 훈련시키는 방법을 나타낸 흐름도이다. 훈련은 모듈(8) 내에 내장될 모델 파라미터를 생성하기 위해 내장된 모듈(8) 내의 온보드 훈련 회로(98)에 의해 또는 모듈 자체(8) 내에서 또는 별개의 장치에서 외부에서 실행될 수도 있는 소프트웨어에 의해 행해질 수 있다. 스텝 200에서, 진동 센서(60) 및 TDC 센서(64)는 진행중인 건전성 문제에 대해 모니터될 특정한 엔진(4)에 장착된다(이와 달리, 엔진이 이미 적절한 센서를 갖는 경우, 스텝 200을 생략할 수 있다). 스텝 202에서, 특징 벡터의 훈련 세트는 엔진의 건전성 작동 기간 동안 수집된다. 예를 들어, 훈련 세트는 특정 수, 예를 들면, 수십만개 범위의 특징 벡터를 포함할 수도 있다. 스텝 204에서, 공통 스케일로 특징 벡터의 각 특징을 스케일링하기 위한 스케일링 파라미터가 결정된다. 이것은, 전체적으로 특징 벡터의 훈련 세트에 걸쳐 그 특징에 대해 검출된 값의 범위에 근거하여, 특징 벡터의 각 특징에 대해 독립적으로 행해진다. 예를 들어, 각각의 특징은 마주치게 되는 최소값 및 최대값에 근거하여, 또는 전술한 것과 같은 평균 및 표준 편차에 근거하여 스케일링될 수 있다. 스케일링 파라미터를 결정하면, 스텝 206에서, 스케일링된 특징 벡터를 생성하기 위해 결정된 파라미터를 사용하여 각각의 특징 벡터가 스케일링된다.

스텝 208에서, 훈련 세트의 외부에 존재하는 특징 벡터의 R%와 특징 벡터들의 나머지 (100-R)% 사이의 마진을 최대화하도록 모델의 파라미터를 변화시킴으로써, 분류 모델의 건전한 동작(150)의 경계가 학습되고, 이때 R은 거부 분율이다. 스텝 208은, 외부에 존재하는 특징 벡터와 나머지 특징을 둘러싸는 경계 사이의 최대 평균 마진을 제공하는 파라미터들의 세트를 찾기 위해, 상이한 R 값 및/또는 상이한 유형 또는 경계 함수의 파라미터에 대해 복수회 반복될 수 있다. 경계의 위치를 찾으면, 스텝 210에서 모델 파라미터가 경계(150)의 위치를 특징짓는 내장된 모듈(8)에 기억되고, 또한 스텝 204에서 결정된 스케일링 파라미터도 기억된다. 예를 들어, 이들은 모델 버퍼(96)에 기억될 수 있다. 도 7은 단일 실린더로부터의 데이터에 대응하는 단일 클래스 SVM 모델을 훈련하기 위한 훈련 처리를 도시하지만, 이 처리는 엔진의 N개의 실린더들에 대해 N회 반복되어, 대응하는 실린더로부터의 진동 데이터를 분류하기 위한 대응하는 SVM을 각각 정의하는 모델 파라미터들의 다수의 별개의 세트들을 생성한다는 것을 알 수 있다.

도 8은 내장된 모듈(8)의 동작 단계를 나타내는 흐름도이다. 스텝 220에서, 센서 데이터는 진동 센서(60) 및 엔진에 설치된 TDC 센서(64)에 의해 캡처된다. 스텝 222에서, 특징 생성회로 (90)는 전술한 바와 같이 주파수 도메인 특징, 시간 도메인 특징 및 피크 진동 타이밍 특징을 포함하는 센서 데이터의 다수의 특징들을 제공하는 특징 벡터를 생성한다. 스텝 224에서, 생성된 특징 벡터는 훈련 단계로부터 유도된 모델 버퍼(96)에 기억된 동일한 스케일링 파라미터에 기초하여 스케일링 회로(92)에 의해 스케일링된다. 스텝 226에서, 스케일링된 특징 벡터는 처리회로 (94)에 의해 훈련된 분류 모델을 사용하여 처리되어, 이전에 학습된 경계(150)로부터 특징 벡터의 거리를 정량화하는 건전성 점수(H)를 생성한다. 스텝 228에서 건전성 점수가 출력된다.

한편, 스텝 226 및 228과 병렬로, 스텝 230에서, 공통된 스케일 기준 상에 최소값 또는 최대값을 갖는 스케일링된 특징 벡터의 특징이 식별된다. 예를 들어, 프로세서는 특정한 건전성 점수 결정에 가장 많이 기여를 하고 있는 특정한 수 P의 최상위의 특정들을 식별한다. 스텝 232에서, 식별된 특징들의 표시가 출력된다. 예를 들어, 각각의 특징이 개별적으로 식별되거나, 또는 특징들의 일부 특정한 조합을 나타내는 합성된 특징 코드가 출력될 수도 있다. 스텝 234에서 건전성 점수 및 식별된 특징들의 표시가 온보드 모듈(8)에 국부적인 GUI 디스플레이(14)를 사용하거나 또는 통신을 거쳐 오프사이트(offsite) 서버(16)에 출력된다. 따라서, 이것은, 식별된 건전성 점수의 분석을 허용하여, 필요에 따라 유지보수 또는 수리 작업을 예약할 수 있다. 마찬가지로, 엔진의 N개의 실린더에 대해 이 처리를 N회 반복하여, 실린더별 건전성 점수 정보를 제공하여 운전자가 엔진의 특정 실린더에 결함을 정확히 지적할 수 있도록 한다.

어떤 경우에는, 건전성 점수 그 자체(또는 건전성 점수로부터 도출된 파라미터)를 출력하는 것 이외에, 최근의 시간 윈도우(window) 동안 특정 량의 미처리된 진동 센서 데이터를 기억하기 위해 엔진의 사이트에 로컬 스토리지가 제공될 수도 있다. 이와 달리, 특징 벡터들은 로컬 스토리지에 기억될 수도 있다. 문제가 확인되지 않으면, 로컬 스토리지를 최신 센서 데이터로 계속해서 덮어쓸 수 있다. 그러나, 불리한 건전성 점수가 감지되면, 시스템 운영자는 최근에 캡처한 진동 데이터를 더욱 자세하게 검사하여 문제를 보다 철저하게 조사하도록 선택할 수 있다. 따라서, 미처리된 센서 데이터 또는 특징 벡터가 일상적으로 원격지 서버(16)로 전송되지는 않지만, 필요한 경우 이것들을 호출하는 옵션이 존재한다.

진동 센서 데이터를 공급하는데 사용되는 센서(6)의 샘플링 레이트는 변동될 수 있다. 일반적으로, 선택된 샘플링 레이트는 기억 용량에 대한 모델 성능과 필요한 처리 자원 사이의 절충이다. 본 발명자의 연구에 따르면, 2.4kHz의 샘플링 레이트가 통상의 모니터링에는 충분하지만, 32kHz 등의 더 높은 샘플링 레이트는 불확실성 수준이 더 높은 시나리오에서 사용될 수 있는 결함 탐지를 위한 더 다양한 옵션을 제공한다는 것이 나타났다. 한 가지 접근방법은, 기억 용량 및 처리 소비전력을 보존하기 위해 통상의 모니터링에 더 낮은 샘플링 레이트가 사용되지만, 어떤 문제가 검지되면, 시스템을 더 높은 샘플링 레이트로 전환하여 문제의 속성에 대한 더 많은 정보를 드러낼 수 있다.

전술한 기술은 2가지 접근방법, 즉, 첫째, 실제 작업 중에(예를 들어, 페리 또는 예인선)에서 "실제" 선박용 디젤 엔진에서 진동을 모니터링하고 시간 경과에 따른 건전성 표시의 추세를 관찰하는 것과, 둘째, 다양한 일반적인 유형의 엔진 결함을 의도적으로 도입할 수 있는 실험실에서 테스트 엔진을 작동하고, 각 유형의 엔진 결함이 도입될 때 건전성 표시의 변화를 관찰하는 것을 이용하여 테스트되었다.

도 9는 결함이 있는 엔진의 건전한 엔진에 대한 주파수 대역 에너지의 변화의 예를 나타낸 것이다. 도 9는 서로 다른 색상이 다양한 에너지의 진동을 나타내는 히트 맵이며(이 예에서는 더 밝은 색이 더 높은 에너지를 나타낸다), 이때, 색을 x축의 주파수 대역과 y축의 시간에 대해 도시하였다. 도 9의 데이터는 예인선의 선박용 디젤 엔진에 대해 수집되었다. 모니터링이 시작된 직후, 결함이 엔진에서 확인되었으며, 이것을 2016년 3월 23일에 수리하였다. 도 9는 결함 기간과 그 이후의 건전한 기간 사이에 주파수 대역 엔진의 서명이 어떻게 크게 변경되었는지를 명확하게 나타낸다. 따라서, 이것은 결함이 특징 벡터의 주파수 영역 특징으로부터 식별될 수 있다는 것을 나타낸다. 예를 들어, 연료 결핍 결함으로 인한 경우, 다른 엔진들에 대해서도 주파수 대역 에너지 서명의 유사한 변화가 관찰되었다.

도 10은 한달의 기간에 걸쳐 동작을 관찰할 때, 자동차 항송선에 탑재된 실제의 엔진의 특정 실린더에 대해 온보드 진단 모듈(8)을 사용하여 계산된 엔진 건전성 표시의 도면을 나타낸 것이다. 도 10에서 볼 수 있듯이, 초기에는 엔진 건전성 표시가 양이었지만, 한달의 기간에 걸쳐, 엔진 건전성 표시가 0 아래로 떨어지고, 시간 경과에 따른 엔진 건전성 표시의 변화가 엔진 건전성의 열화를 나타낸다. 자동차 항송선 엔진의 운전자는 모듈(8)이 이 문제를 운전자에게 경고했을 때 어떤 결함도 인지하지 못했다. 조사에서, 결함 검출은 하중이 걸리는 동안 실린더 배기 온도의 점진적인 저하 뿐만 아니라, 인접 부분과 비교한 실린더 피크 압력의 저하d와 관련이 있다는 것이 밝혀졌으며, 얼마 후(엔진의 계속적인 열화 후), 유휴시의 배기 온도가 인접 부분보다 현저히 높았다(100℃까지)는 것이 밝혀졌다. 결함의 구체적인 원인은 밝혀지지 않았지만(엔진이 현재 구체적인 문제를 조사하기 위해 점검/재조립되고 있다), 위에서 설명한 기술을 통해, 온도 또는 압력 측정값을 고정 된 임계값과 비교하기 위한 임계값 기반의 모니터링이 온보드 엔지니어에게 문제를 표시할 수 있도록 하는데 충분한 변화를 표시하기 수개월 전에, 결함의 존재를 비침습적으로 식별할 수 있다.

따라서, (벡터의 어떤 특정한 특징이 비정상적인 건전성 점수에 가장 많이 기여하는지에 대한 정보가 결함의 원인을 밝히는데 도움이 될 수 있지만) 전술한 기술은 반드시 결함의 구체적인 원인을 식별할 필요는 없다. 원인을 아직 확인할 수 없더라도, 전술한 기술은 기존 기술보다 훨씬 빨리 잠재적 결함의 존재를 감지 할 수 있으므로, 엔지니어가 더 일찍 개입하여 조사함으로써 나중에 더 큰 재앙적인 결함의 가능성을 줄일 수 있다.

도 11은 공통된 엔진 결함을 시뮬레이션하기 위해 테스트 엔진에 다양한 변경이 가해졌을 때, 테스트 엔진에 대해 모듈(8)에 의해 결정된 건전성 표시를 나타낸 것이다. 도 11의 x축에 있는 결함 코드는 다음과 같은 다양한 결함 상태를 나타냅니다.

결함 코드	설명	시뮬레이션 대상
HTr	분류 모델을 훈련시키는데 사용된 특징 벡터들의 훈련 세트	정상 가동 상태
HTe	모델의 동작 단계시의 베이스라인 매핑	정상 가동 상태
1.1	느슨한 엔진 장착(전방 우현)	느슨한 엔진 장착
1.2	느슨한 엔진 장착(전방 포트)	느슨한 엔진 장착
1.3	느슨한 엔진 장착(전방 우현+전방 포트)	느슨한 엔진 장착
2.1	실린더 3의 누출하고 있는 배출 밸브	"상단 끝" 실린더 누출
2.2	흡입 밸브 태핏(tappet) 틈 실린더 3	푸시로드 마모
3.1	실린더 3의 연료 결핍	연료 전달과 불완전 연소와 관련된 문제
4.1	실린더 3의 느슨한 크랭크 핀 베어링	크랭크 핀 베어링 마모
5.1	(충전에 의한) 피스톤 링 간극 증가	마모된 피스톤 링(블로바이 발생)
6.1	피스톤-안티/트러스트 면의 마모된 스커트	구멍 마모(블로바이 상태 시도)
7.1	공기 필터 차단 변경 45%	공기 필터 막힘(45%)
7.2	공기 필터 차단 변경 90%	공기 필터 막힘(90%)
8.1	상단 링 랜드(ring-land)의 간극 증가	상단 링 랜드 마모-링 비틀림 및/또는 링 흔들림 발생

도 11에서 볼 수 있듯이, 각 유형의 결함은 HTe에서의 정상 가동 상태에서 관찰된 건전성 점수와 크게 다른 건전성 점수를 초래한다. 이때, 결함들과 건전한 샘플들 사이에는 양호한 분리도가 존재하는 것이 분명하다. 건전성 점수의 특정 패턴의 결함이 결함 유형에 고유하고 또한 특정 엔진에 고유하지만, 건전한 동작 이후에 변경이 존재했다는 단순한 사실이 진단 모듈(8)에 의해 검출될 수 있고 엔지니어가 결함의 원인을 조사해야 한다는 것을 플래그를 붙이는데 사용될 수 있다. 시간 경과에 따라, 운영자는 특정 유형의 결함에 대해 특정한 건전성 점수 서명에 속하는 것으로 생각하는 것을 배우지만, 이것은 시스템의 성공적인 동작에 필수적인 것은 아니다.

도 11의 데이터를 수집하기 위해 행해진 테스트에서, 테스트 엔진에 대한 3가지 다른 부하(0kW, 3kW, 6kW)에 대해 개별 테스트를 행하였다. 각각의 하중 레벨에 대해 별개의 분류 모델이 제공되었으며, 각각의 분류자는 대응하는 하중에 대해 수집된 데이터만을 사용하여 훈련되었다. 도 11에 나타낸 것과 같이, 하중에 관계없이 건전한 동작에 대한 건전성 점수의 변화를 관찰할 수 있다. 지정된 결함에 대해, 엔진 부하가 증가함에 따라 건전성 점수가 더 작은 음의 값이 되는 경우가 종종 있다.

전체 3가지 다른 하중에서 테스트 엔진으로부터 수집된 진동 데이터의 훈련 세트를, 하중 당 1개의 분류자를 갖는 것이 아니라, 1개의 분류 모델을 훈련시키는데 사용한 또 다른 테스트를 행하였다. 도 12는 위에서 언급한 각 결함 코드에 대해 관찰된 진동 데이터에 적용될 때 이와 같은 모델에 의해 계산된 건전성 점수를 나타낸 것이다. 도 12에 나타낸 것과 같이, 분류기가 부하를 구별하지 않더라도 건전한 엔진에 대한 건전성 점수의 변화가 여전히 관찰될 수 있다. 따라서, 1개의분류자가 복수의 부하로부터 학습하여 부하에 관계없이 결함을 정확하게 감지할 수 있는데, 이것은 시간 경과에 따라 부하가 변경될 가능성이 있는 실제의 선적 응용분야에 유용하다. WPT를 사용하면 모델을 부하 변경에 대해 더 강인하게 만드는데 도움이 된다.

일 실시예에서, 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단장치로서,

왕복식 내연 엔진의 부품에서의 진동을 감지하는 진동 센서로부터 수신된 진동 센서 데이터를 처리하고, 진동 센서 데이터의 복수의 특징을 나타내는 특징 벡터를 생성하는 특징 생성회로와,

특징 공간 경계를 특징짓는 모델 파라미터들에 의해 정의된 훈련된 단일-클래스 분류 모델을 사용하여 특징 생성회로에 의해 생성된 특징 벡터를 처리하여, 특징 공간 경계로부터의 특징 벡터의 편이의 정량적 표시를 제공하는 엔진 건전성 표시를 발생하는 처리회로를 구비한 엔진 건전성 진단장치가 제공된다.

본 발명에서, 단어 "하도록 구성된"은 장치의 구성요소가 정의된 동작을 행할 수 있는 구성을 갖는다는 것을 의미하기 위해 사용된다. 이와 관련하여, "구성"은 하드웨어 또는 소프트웨어의 배치 또는 상호접속 방식을 의미한다. 예를 들어, 장치는 정의된 동작을 제공하는 전용 하드웨어를 갖거나, 프로세서 또는 기타의 처리장치가 기능을 행하도록 프로그래밍되어도 된다."하도록 구성된"은 이 장치의 구성요소가 정의된 동작을 제공하기 위해 어떤 식으로 변경될 필요가 있는 것을 시사하는 것은 아니다.

첨부도면을 참조하여 본 발명의 예시적인 실시예들을 상세히 설명하였지만, 본 발명은 이들 실시예에 한정되지 않으며, 첨부된 청구범위의 보호범위 및 사상을 벗어나지 않으면서 본 발명이 속한 기술분야의 당업자에 의해 다양한 변경, 부가 및 변화가 행해질 수 있다는 것은 자명하다. 예를 들면, 종속항들의 특징들의 다양한 조합이 독립항들의 특징과 행해질 수도 있다.

Claims (25)

1. 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단장치로서,
   왕복식 내연 엔진의 부품에서의 진동을 감지하는 진동 센서로부터 수신된 진동 센서 데이터를 처리하고, 진동 센서 데이터의 복수의 특징을 나타내는 특징 벡터를 생성하는 특징 생성회로와,
   왕복식 내연 엔진의 건전한 동작중에 캡처된 진동 센서 데이터에 대응하는 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들에 의해 정의된 훈련된 분류 모델을 사용하여 특징 생성회로에 의해 생성된 특징 벡터를 처리하여, 건전한 동작의 경계값으로부터 특징 벡터의 편이의 정량적 표시를 제공하는 엔진 건전성 표시를 생성하는 처리회로를 구비한 엔진 건전성 진단장치.
   
2. 제 1항에 있어서,
   복수의 특징은 진동 센서 데이터의 적어도 한 개의 시간 도메인 특징을 포함하는 엔진 건전성 진단장치.
   
3. 제 3항에 있어서,
   적어도 한 개의 시간 도메인 특징은, 평균, 분산 또는 표준편차, 평균 평방근, 첨도, 사행도 및 파고율 중에서 적어도 한 개를 포함하는 엔진 건전성 진단장치.
   
4. 선행하는 청구항 중 어느 한 항에 있어서,
   복수의 특징은 진동 센서 데이터의 적어도 한 개의 주파수 도메인 특징을 포함하는 엔진 건전성 진단장치.
   
5. 제 4항에 있어서,
   복수의 특징은 진동 센서 데이터의 대응하는 주파수 대역의 에너지를 각각 나타내는 복수의 주파수 대역 에너지 특징을 포함하는 엔진 건전성 진단장치.
   
6. 제 4항 또는 제 5항에 있어서,
   특징 생성회로는, 적어도 한 개의 주파수 도메인 특징을 생성할 때 진동 센서 데이터에 대해 웨이블렛 패킷 변환을 적용하도록 구성된 엔진 건전성 진단장치.
   
7. 선행하는 청구항 중 어느 한 항에 있어서,
   복수의 특징은, 왕복식 내연 엔진의 동작 사이클에 대한 진동 센서 데이터의 피크의 타이밍을 나타내는 적어도 한 개의 피크 진동 타이밍 특징을 포함하는 엔진 건전성 진단장치.
   
8. 제 7항에 있어서,
   특징 생성회로는, 진동 센서 데이터와, 왕복식 내연 엔진의 크랭크축의 각도 위치를 나타내는 크랭크축 각도 센서로부터 적어도 한 개의 피크 진동 타이밍 특징을 식별하도록 구성된 엔진 건전성 진단장치.
   
9. 선행하는 청구항 중 어느 한 항에 있어서,
   특징 벡터의 각각의 특징을 공통된 스케일에 매핑하기 위해 특징 벡터들의 훈련 세트로부터 도출된 한 개 이상의 스케일링 파라미터들의 각각의 세트에 근거하여 특징 벡터의 각각의 특징을 스케일링하는 스케일링 회로를 구비하고, 처리회로는 훈련된 분류 모델을 이용하여 스케일링 회로에 의해 생성된 스케일링된 특징 벡터를 처리하도록 구성된 엔진 건전성 진단장치.
   
10. 제 9항에 있어서,
    처리회로는, 스케일링 특징 벡터의 복수의 특징 중에서 공통된 스케일 상에서 최대 또는 최소의 스케일링된 특징값들을 갖는 스케일링된 특징 벡터의 한 개 이상의 선택된 특징을 식별하도록 구성된 엔진 건전성 진단장치.
    
11. 선행하는 청구항 중 어느 한 항에 있어서,
    훈련된 분류 모델은 단일 클래스 분류 모델을 포함하는 엔진 건전성 진단장치.
    
12. 선행하는 청구항 중 어느 한 항에 있어서,
    훈련된 분류 모델은 단일 클래스 지원 벡터 머신을 포함하는 엔진 건전성 진단장치.
    
13. 선행하는 청구항 중 어느 한 항에 있어서,
    훈련된 분류 모델을 정의하는 모델 파라미터들을 기억하는 모델 기억회로와, 특징 벡터들의 훈련 세트에 따라 모델 기억회로에 의해 기억된 모델 파라미터들을 갱신하는 훈련회로를 구비한 엔진 건전성 진단장치.
    
14. 제 13항에 있어서,
    훈련회로는, 훈련 세트의 외부에 존재하는 특징 벡터들의 소정의 분율과 훈련 세트의 특징 벡터들의 나머지 분율 사이의 마진을 최대화하는 건전한 동작의 경계값을 결정하도록 구성된 엔진 건전성 진단장치.
    
15. 선행하는 청구항 중 어느 한 항에 있어서,
    진동 센서를 구비한 엔진 건전성 진단장치.
    
16. 제 15항에 있어서,
    진동 센서는 왕복식 내연 엔진의 부품에 새로 장착가능한(retrofittable) 엔진 건전성 진단장치.
    
17. 제 15항 또는 제 16항에 있어서,
    진동 센서는 가속도계를 구비한 엔진 건전성 진단장치.
    
18. 선행하는 청구항 중 어느 한 항에 있어서,
    엔진 건전성 표시 또는 엔진 건전성 표시로부터 도출된 파라미터를 원격지 사이트에 통신하는 통신회로를 구비한 엔진 건전성 진단장치.
    
19. 제 18항에 있어서,
    통신회로는, 엔진 건전성 표시와 이전에 송신된 엔진 건전성 표시 사이의 차이를 나타내는 차동 엔진 건전성 표시를 원격지 사이트에 통신하도록 구성된 엔진 건전성 진단장치.
    
20. 선행하는 청구항 중 어느 한 항에 있어서,
    특징 생성회로는, 왕복식 내연 엔진의 복수의 실린더에서의 진동을 감지하는 각각의 진동 센서로부터 수신된 복수 세트의 진동 센서 데이터를 처리하고, 실린더들 중에서 한 개에 각각 대응하는 복수의 특징 벡터를 생성하도록 구성되고,
    처리회로는 훈련된 분류 모델을 이용하여 특징 생성회로에 의해 생성된 각각의 특징 벡터를 처리하여 각각의 실린더에 각각 대응하는 복수의 엔진 건전성 표시를 생성하도록 구성된 엔진 건전성 진단장치.
    
21. 제 20항에 있어서,
    처리회로는 대응하는 실린더에 대해 각각의 훈련된 분류 모델을 이용하여 특징 생성회로에 의해 생성된 각각의 특징 벡터를 처리하도록 구성되고, 각각의 세트의 모델 파라미터들에 의해 정의된 각각의 훈련된 분류 모델은 왕복식 내연 엔진의 건전한 동작 중에 대응하는 실린더에 대해 캡처된 진동 센서 데이터에 대응하는 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 엔진 건전성 진단장치.
    
22. 왕복식 내연 엔진과,
    왕복식 내연 엔진의 대응하는 부품의 진동을 감지하도록 구성된 진동 센서와,
    선행하는 청구항 중 어느 한 항에 기재된 엔진 건전성 진단장치를 구비한 시스템.
    
23. 왕복식 내연 엔진의 건전성을 분석하는 엔진 건전성 진단방법으로서,
    왕복식 내연 엔진의 부품에서의 진동을 감지하도록 구성된 진동 센서를 사용하여 진동 센서 데이터를 캡처하는 단계와,
    진동 센서 데이터를 처리하여 진동 센서 데이터의 복수의 특징을 나타내는 특징 벡터를 생성하는 단계와,
    왕복식 내연 엔진의 건전한 동작중에 캡처된 진동 센서 데이터에 대응하는 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들에 의해 정의된 훈련된 분류 모델을 사용하여 특징 벡터를 처리하여, 건전한 동작의 경계값으로부터 특징 벡터의 편이를 나타내는 정량적 표시를 제공하는 엔진 건전성 표시를 생성하는 단계를 포함하는 엔진 건전성 진단방법.
    
24. 왕복식 내연 엔진의 부품에 진동 센서를 끼워넣어 왕복식 내연 엔진의 부품의 진동을 감지하는 단계와,
    왕복식 내연 엔진의 건전한 동작 기간 동안 진동 센서를 사용하여 진동 센서 데이터를 캡처하는 단계와,
    진동 센서 데이터를 처리하여, 건전한 동작 기간 동안의 일정한 시간에 캡처된 진동 센서 데이터의 복수의 특징을 각각 나타내는 특징 벡터들의 훈련 세트를 생성하는 단계와,
    분류 모델을 훈련시켜, 특징 벡터들의 훈련 세트로부터 학습된 건전한 동작의 경계값을 특징짓는 모델 파라미터들을 생성하는 단계와,
    분류 모델을 정의하는 상기 모델 파라미터들을 기록하는 단계를 포함하는 엔진 건전성 진단 시스템 설치방법.
    
25. 데이터 처리장치를 제어하여 청구항 23 또는 24에 기재된 방법을 행하게 하는 명령들을 포함하는 컴퓨터 프로그램.

Images