KR20240031695A - 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템 - Google Patents
로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템 Download PDFInfo
- Publication number
- KR20240031695A KR20240031695A KR1020220110738A KR20220110738A KR20240031695A KR 20240031695 A KR20240031695 A KR 20240031695A KR 1020220110738 A KR1020220110738 A KR 1020220110738A KR 20220110738 A KR20220110738 A KR 20220110738A KR 20240031695 A KR20240031695 A KR 20240031695A
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- data
- robot
- diagnosis
- detection unit
- Prior art date
Links
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 title 1
- 238000003745 diagnosis Methods 0.000 claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 230000005856 abnormality Effects 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템은 사전에 설정된 동작을 수행하는 로봇 구동부의 구동 중 데이터를 센싱하는 데이터 센싱부, 상기 데이터 센싱부에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정하는 이상 탐지부, 상기 이상 탐지부에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를 진단하는 고장 진단부를 포함할 수 있고, 본 발명의 일 실시예에 따른 로봇 진단 시스템은 사전에 설정된 동작을 수행하는 로봇 구동부의 구동 중 데이터를 센싱하는 데이터 센싱부와, 상기 데이터 센싱부에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정하는 이상 탐지부와 상기 이상 탐지부에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를 진단하는 고장 진단부를 갖는 임베디드 시스템, 상기 임베디드 시스템의 상기 고장 진단부으로부터 고장 종류 진단 결과를 전송받아 관리자에 알람하는 상위 시스템을 포함할 수 있다.
Description
본 발명은 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템에 관한 것이다.
일반적으로, 산업 현장에서 다양한 로봇 설비가 사용된다.
이러한 산업용 로봇을 진단하기 위해 로봇 데이터를 서버(상위 시스템)으로 전송하여 진단을 실시하나, 이러한 방식은 데이터 관리 차원에서 비용이 들기 때문에 경제적으로 바람직하지 못하며, 또한, 통신 속도 한계로 데이터의 취득 및 전송에 제약사항이 있는 문제점이 있다.
본 발명의 일 실시예에 따르면, 머신러닝 기반으로 로봇의 구동부의 이상 여부와 고장 진단을 수행하는 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템이 제공된다.
상술한 본 발명의 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템은 사전에 설정된 동작을 수행하는 로봇 구동부의 구동 중 데이터를 센싱하는 데이터 센싱부, 상기 데이터 센싱부에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정하는 이상 탐지부, 상기 이상 탐지부에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를 진단하는 고장 진단부를 포함할 수 있다.
본 발명의 일 실시예에 따른 로봇 진단 시스템은 사전에 설정된 동작을 수행하는 로봇 구동부의 구동 중 데이터를 센싱하는 데이터 센싱부와, 상기 데이터 센싱부에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정하는 이상 탐지부와 상기 이상 탐지부에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를 진단하는 고장 진단부를 갖는 임베디드 시스템, 상기 임베디드 시스템의 상기 고장 진단부으로부터 고장 종류 진단 결과를 전송받아 관리자에 알람하는 상위 시스템을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 진단 정확도가 높아지고, 서버와의 통신 시간이 절약되는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템의 개략적인 구성도이다.
도 2는 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템의 이상 탐지부의 개략적인 구성도이다.
도 3은 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을때의 곡선 아래 면적(Area under ROC curve)을 나타내는 그래프이다.
도 4는 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을때 정상과 비정상의 재구성 에러 분포 그래프이다.
도 5는 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을 때 한계값(threshold)에 따른 성능을 나타내는 그래프이다.
도 6은 도 2에 도시된 이상 탐지부의 실험 검증 그래프이다.
도 7은 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템의 고장 진단부의 개략적인 구성도이다.
도 8은 도 7에 도시된 고장 진단부의 오차 행렬(confusion matrix)을 나타내는 도면이다.
도 9는 도 7에 도시된 고장 진단부의 실험 검증 그래프이다.
도 2는 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템의 이상 탐지부의 개략적인 구성도이다.
도 3은 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을때의 곡선 아래 면적(Area under ROC curve)을 나타내는 그래프이다.
도 4는 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을때 정상과 비정상의 재구성 에러 분포 그래프이다.
도 5는 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을 때 한계값(threshold)에 따른 성능을 나타내는 그래프이다.
도 6은 도 2에 도시된 이상 탐지부의 실험 검증 그래프이다.
도 7은 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템의 고장 진단부의 개략적인 구성도이다.
도 8은 도 7에 도시된 고장 진단부의 오차 행렬(confusion matrix)을 나타내는 도면이다.
도 9는 도 7에 도시된 고장 진단부의 실험 검증 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템의 개략적인 구성도이다.
도 1을 참조하면, 로봇 진단 시스템(100)은 로봇 구동부를 진단하는 임베디드 시스템(110)과 상위 시스템(120)을 포함할 수 있다.
임베디드 시스템(110)은 데이터 센싱부(111), 이상 탐지부(112) 및 고장 진단부(113)를 포함할 수 있다.
데이터 센싱부(111), 이상 탐지부(112) 및 고장 진단부(113)는 상기 로봇 구동부를 구성하는 모터, 상기 모터를 제어하는 제어 보드(=서보 보드) 및 인버터(=서보 앰플리파이어)와 함께 임베디드(embedded)될 수 있다.
데이터 센싱부(111)는 상기 모터, 제어보드 및 인버터로부터 모터-인버터 시스템 제어에 사용되는 전압, 전류, 속도 및 토크 정보를 센싱할 수 있다. 특히, 전압 및 전류 정보를 이용할 때는 회전자 동기좌표계 상에서 얻을 수 있는 정보를 이용하므로써 더욱 큰 정보량을 가진 데이터를 취득할 수 있다.
이상 탐지부(112)는 데이터 센싱부(111)에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템의 이상 탐지부의 개략적인 구성도이다.
도 1과 함께 도 2를 참조하면, 이상 탐지부(112)는 머신 러닝 모델을 포함할 수 있으며, 상기 머신 러닝 모델은 대체로 생성 모델(Generative model)을 활용할 수 있다. 상술한 생성모델에는 크게 변분적 오토 인코더(Variational Auto Encoder; VAE) 기반의 모델과 생성적 대립 신경망 (Generative Adversarial Network; GAN) 기반의 모델이 있다. 이런 생성 모델은 말 그대로 어떤 데이터를 재생성 할 수 있는 능력이 있는 모델을 의미한다. 이때 이런 능력을 키우기 위해 생성 모델에 요구되는 핵심 능력은 입력된 데이터의 특성 분포를 학습할 수 있는 능력이 있어야 한다는 것이다. 이런 특성을 이용하여 생성모델은 이상 탐지에 사용하게 된다. 즉, 이상 탐지는 정상 데이터만을 머신러닝 모델에 학습시켜 정상적인 데이터들의 분포를 잠복 공간(latent space) 상에서 학습할 수 있게 되고, 학습되지 않은 비정상적인 이상 상태(anomaly)가 입력되었을 때는 재생성하는 능력이 떨어진다는 특성을 이용한다.
본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템(110)에서 변분적 오토 인코더를 활용한 이상 탐지부(112)는 데이터 센싱부(111)로부터 데이터를 취득하고 입력 특성에 맞게 전처리 한 후, 인코더(Encoder)라 불리는 신경망(Neural network)에 입력해준다. 이 신경망은 q 로 표시할 수 있으며, 사후 확률(Posterior probability) p(z|X)를 근사하는 역할을 한다. 이 인코더를 통해 잠복 공간으로 데이터가 간단한 벡터로 매핑될 수 있다. 도 2에서 잠복 공간의 분포는 z로 나타내었다. 디코더(Decoder)라 불리는 신경망은 잠복 공간의 데이터로부터 입력 데이터(X)를 복원하는 역할을 한다. 인코더와 디코더를 통과한 입력 데이터는 재구성 데이터()라 하는데, 이 값과 입력 데이터와의 차이를 통해 이상 상태(anomaly) 정도를 수치화 한다. 이렇게 수치화 된 값을 통해 이상탐지 알고리즘(Anomaly Detection Algorithm)을 적용한다.
이상 탐지부(112)는 하기의 수식과 같은 이상 탐지 알고리즘을 포함할 수 있다.
(수식)
여기서, 는 입력데이터, 는 재생성 출력데이터, 는 재구성 에러 임계치로써, 사용자 정의 값이고, 입력 데이터는 임베디드 시스템에서 사용 가능한 변수 중에 선정될 수 있으며, 상기 수식에서 재구성 에러를 계산하는데 있어 평균 제곱근 오차(Root Mean Squared Error; RMSE)를 사용했지만, 이는 하나의 예시일 뿐, 두 벡터간의 차이를 구하는 다양한 방법이 적용될 수 있다.
도 3은 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을 때의 곡선 아래 면적(Area under ROC curve; AUROC)을 나타내는 그래프이고, 도 4는 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을때 정상과 비정상의 재구성 에러 분포 그래프이다.
도 2와 함께, 도 3 및 도 4를 참조하면, 평균 제곱근 오차를 활용하여 재구성 에러를 계산하면, 도 4에 도시된 그래프와 같을 수 있다. 여기서, 입력데이터로 회전자 동기좌표계 상의 전압 및 전류 오차 성분을 전기각 60도 간격으로 6개씩 취득하여 입력하였으며, 이상 상태의 경우 재구성 에러가 정상 상태보다 큰 것을 알 수 있고, 특정 임계치 이상을 이상 상태로 판단할 수 있음을 알 수 있다. 즉, 학습되지 않은 임의의 고장 상황에 대해서도 정상 데이터 분포와 다르기 때문에 비정상으로 판단할 수 있음을 알 수 있다.
도 5는 도 2에 도시된 이상 탐지부의 입력으로 동기 좌표계 d,q 전류 에러를 사용했을때 한계값(threshold)에 따른 성능을 나타내는 그래프이고, 도 6은 도 2에 도시된 이상 탐지부의 실험 검증 그래프이다.
이상탐지 알고리즘은 알고리즘 특성상 재구성 에러 임계치()를 어떻게 설정하는 지에 따라 이상 탐지부(112)의 통계적 탐지 성능이 달라진다. 도 5는 로봇 구동부 이상 탐지부(112)의 재구성 에러 임계치에 따른 통계적 탐지 성능을 도시화 한 것의 한 예시를 나타낸다. 재구성 에러 임계치 값이 큰 경우, 정상 상태를 이상 상태(anomaly)로 오판하는 경우는 줄어들기 때문에 정밀도(Precision)가 높아짐을 알 수 있다. 그러나, 이와 함께 이상 상태(anomaly)를 정상 상태로 오판 하는 경우는 증가하기 때문에 재현율(Recall)은 감소하는 것을 알 수 있다. 재구성 에러 임계치 값이 작은 경우는 이 반대 현상을 띄게 된다. 도 5에서는 정확도(Accuracy)가 높게 나올 수 있는 재구성 에러 임계치를 설정한 것을 도시화 한 것이다. 이 설정은 수 많은 경우 중 하나의 실시 예를 나타내는 것이다. 이 때 도 2에 관한 설명에서 상술한 인코더와 디코더를 구성하는 신경망은 임베디드 시스템에서 동작하기 위해 경량화된 구조를 가지게 설계 되어야 한다. 많은 경량화 기술들이 있지만, 우선적으로 각 신경망의 레이어 별 노드 수를 최적화 시키는 방법 등을 고려할 수 있다.
도 6은 재구성 에러 임계치를 0.03으로 설정하고 로봇 구동부 임베디드 시스템에서 알고리즘 검증을 한 결과를 나타낸다. PC 보다 상대적으로 성능이 부족한 임베디드 시스템에서 머신러닝 기반 모델인 이상 탐지부(112)의 실현성(feasibility)를 검증하는 것이 주 목적이다. 도 6의 (a)~(d) 네 가지 실험 결과는 모두 정상 상태에서 각각 다른 이상 상태(anomaly)로 넘어갈 때, 이상 상태(anomaly)가 잘 진단되는 지를 검증한 실험 결과이다. 구체적으로, (a)는 로봇 구동부 모터의 특정 한 상의 전류 센서 게인(gain) 값 오차가 발생하는 상황에서 실험했다. (b)는 특정 한 상의 전류 센서 오프셋(offset) 오차가 발생하는 상황에서 실험했다. (c)는 특정 한 상의 윗 상 스위치 개방 고장이 발생하는 상황에서 실험했다. (d)는 특정 한 상의 아랫 상 스위치 개방 고장이 발생하는 상황에서 실험했다. 제시한 실험 예시에서 볼 수 있듯, 재구성 에러 임계치를 0.03으로 설정한 이상 탐지부(112)는 정상 상태를 정상으로, 이상 상태(anomaly)는 이상 상태로 잘 판단함(도 6의 노란 그래프)을 알 수 있다. 도 6에 도시된 실험에서 검증한 특정한 이상 상태(anomaly)들 외에도, 임베디드 시스템에서 센싱 가능한 데이터를 바탕으로 다른 이상 상태들도 탐지 가능하게 하는 것이 상술한 이상 탐지부(112)의 핵심이다.
상술한 이상 탐지부(112)의 데이터 조합에 따라 달성 가능한 곡선 아래 면적은 다음의 표 1과 같을 수 있다.
도 7은 본 발명의 일 실시예에 따른 로봇 구동부를 진단하는 임베디드 시스템의 고장 진단부의 개략적인 구성도이다.
도 1과 함께, 도 7을 참조하면, 고장 진단부(113)는 이상 탐지부(112)에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를할 수 있다.
고장 진단부(113)는 머신 러닝 기반 고장 진단 모델을 포함할 수 있으며, 예를 들어, 순방향 신경망 (Feed-Forward Neural Network; FFNN) 구조 기반의 고장 진단 모델을 포함할 수 있다. m개의 입력 데이터는 높은 정보량을 가지는 모터-인버터 시스템 제어 변수들을 적절히 활용한다. 출력부는 어떠한 고장인지 미리 정해진 고장 아이디(Fault ID)를 원-핫 인코딩형태로 출력해주어, 사용자에게 어떠한 고장인지를 알려준다.
도 7에 도시된 고장 진단부(113)의 실시 예를 좀 더 구체적으로 설명하면 다음과 같다. 데이터 센싱부(111)로부터 센싱한 데이터로 전처리 된 입력 데이터(X)를 구성한다. 입력 데이터(X)는 순방향 신경망의 은닉층(Hidden layer)들을 거쳐 출력 노드로 출력되게 된다. 도 7은 2개의 은닉층과 각 은닉층이 렐루(ReLU) 활성화 함수를 가지는 순방향 신경망 기반 고장 진단부(113)의 실시예를 나타낸 것이다. 도 7에 도시된 순방향 신경망 기반 고장 진단부(113)의 마지막 출력단은 소프트 맥스(Soft max) 활성화 함수를 거쳐, 각 고장 아이디별 가능성을 확률 형태로 출력해준다. 로봇 구동부 임베디드 시스템에서는 이 확률 값들을 앞서 언급한 원-핫 인코딩 형태로 0 또는 1로 변환해 최종 고장 아이디 하나를 나타내게 된다. 도 7은 정상 상태를 포함한 총 13개 종류의 진단이 가능한 고장 진단부(113) 실시예를 나타낸다.
이상 탐지부(112)는 학습하지 않은 이상 상태를 진단할 수 있다는 장점이 있지만, 다른 한편으로는 라벨링 된 이상 상태를 학습하지 않았기에 이상 상태로 판단된 시스템이 어떠한 고장이 발생했는지는 확인할 수가 없다. 이는 산업용 로봇이 공정 라인에 사용된다는 점을 고려할 때, 이상 상태로 판단 후에, 어떠한 고장인지를 확인하는 추가적인 시간 소모가 필요하다는 의미이기도 하다. 산업용 로봇은 다관절 로봇으로 구성되어 로봇 한 개를 이루는 모터와 인버터의 수가 많은 점과, 각각의 부품을 이루는 하위 부품 수가 수 백~수 천개에 이르는 것을 생각하면 진단은 사실상 불가능에 가까울 수 있다.
고장 진단부(113)는 이상 탐지부(112)와 직렬적으로 구성되어 이상 탐지부(112)가 근본적으로 고장 상황을 분류를 할 수 없다는 한계를 보완할 수 있고, 고장 진단부(113)는 사전에 학습된 고장만을 진단할 수 있다는 문제를 해결할 수 있다.
이상 탐지가 되고 난 후, 고장 진단부(113)가 작동하였을 때, 학습되지 않은 고장은 새로운 유형의 종류에 대해 고장 진단부(113)를 재학습 시키며, 이와 같은 재학습이 반복되다보면, 임베디드 시스템에서 빅데이터 기반의 고장 진단 시스템을 구현할 수 있게 되어, 수동적인 진단을 통해 시간이 소모되는 문제들을 해결할 수 있다.
이상 탐지부(112)가 입력 데이터를 정상 판단하는 경우 이상 탐지 및 판단 기능을 반복적으로 수행할 수 있고, 이상 탐지부(112)가 입력 데이터를 이상 상태로 판단하는 경우에, 고장 진단부(113)이 고장 진단 및 고장 종류를 판별하여 상위 시스템(120)에 전달할 수 있다.
즉, 임베디드 시스템(100)에 구성되는 이상 탐지부(112)는 로봇이 동작할 때는 실시간으로 구동되는 알고리즘이다. 구동 시 사용되는 모터-인버터 시스템의 제어 변수들로부터 시스템의 정상과 이상 여부를 판단할 수 있게 된다. 정상 판단 시에는 계속 이상 탐지 시스템만을 반복하여 구동하게 되고, 이상을 판단했을 때는 고장 진단부(113)를 동작 시켜 고장 종류까지 진단을 하여 상위 시스템(120)으로 결과를 전송하게 된다. 상위 시스템(120)은 서버일 수 있으며, 시스템 보드(210) 및
도 8은 도 7에 도시된 고장 진단부의 오차 행렬(confusion matrix)을 나타내는 도면이고, 도 9는 도 7에 도시된 고장 진단부의 실험 검증 그래프이다.
도 8은 도 7에 도시된 고장 진단부(113)의 통계적 성능 검증 결과를 시각적으로 나타낸 것이다. 상기 통계적 성능 검증 결과는 PC의 머신러닝 프레임워크를 통해 도출된 결과이다. 세로축은 실제 고장 상황 종류를 나타내고, 가로축은 고장 진단부(113) 모델이 예측한 고장 종류를 나타낸다. 따라서 대각선에 숫자가 높을수록 고장 진단부(113)가 실제 상황을 예측한 횟수가 높음을 의미한다. 대각선 이외 부분의 숫자는 잘못 예측한 부분의 횟수를 의미한다. 도 9는 실험적 성능 검증 결과로, 로봇 구동부 임베디드 시스템에서 앞서 실시 예로 제시된 고장 진단부(113) 모델이 잘 동작할 수 있음을 보여주고 있다. 본 발명에서 제시되는 로봇 구동부 진단 모델들은 로봇 구동부 임베디드 시스템에서 동작하기 때문에, 도 9와 같이 머신러닝 모델이 PC보다 성능이 떨어지는 임베디드 시스템에서 동작하는 실현성(feasibility)을 항상 검증해야 한다. 도 9도 임베디드 시스템 상에서 검증된 결과를 오실로스코프를 통해 출력한 결과이다. 도 9에서 각 그래프의 실험 상황은 다음과 같다. (a)는 정상 상태, (b)는 구동 모터 특정 상의 전류 센서 스케일 에러 고장상황, (c)는 구동 모터 특정 상의 전류 센서 오프셋 에러 고장 상황, 마지막으로 (d)는 특정 상의 인버터 윗상 스위치 고장 상황에서 진단한 결과를 나타낸다. 각 상황에 해당하는 고장 아이디(Fault ID)가 고장 진단부(113)로부터 적절하게 출력(파란 그래프)됨을 알 수 있다. 고장 종류도 하나의 실시 예일 뿐, 상황에 따라 다른 고장 종류 데이터를 학습 시켜 해당 고장을 진단하게 재설계 할 수도 있다.
상기한 표 2는 로봇 구동부 임베디드 시스템의 고장 진단부(113)에 입력 데이터를 어떻게 구성할 지를 검토한 실시 예이다. 본 발명에서 제시한 고장 진단부(113)에 사용된 입력 데이터로는 회전자 동기 좌표계 q축 전류와 q축 전류가 최대 진단 정확도를 달성하였기에 최종 입력 데이터로 선정되었다. 1, 11, 21, 31, 41, 51은 회전자 동기 좌표계 상에서 각각 0도, 60도, 120도, 180도, 240도, 300도 위치에 해당하는 숫자에 해당한다. 즉, 60도 간격으로 해당 종류 데이터를 취득해 고장 진단부(113)에 입력하게 되는 것이 최고 성능을 가질 수 있음을 나타낸다. 입력 데이터 구성의 최적화는 진단하고자 하는 고장 종류, 취득한 입력 데이터 개수 등에 따라 가변적일 수 있다. 표 3은 표 2에서 최종 선정한 입력 데이터 구성을 활용한 통계적 진단 결과를 나타낸 것이다. 정밀도(Precision), 재현율(Recall), F1-score, 그리고 정확도(Accuracy) 성능들이 대체로 95% 이상의 성능을 나타냄을 알 수 있다. Support는 진단에 사용된 입력 데이터 개수를 의미한다. 즉, 각 고장 종류 별로 약 6400개 씩, 총 83,194개의 데이터로 검증을 한 결과이다. 표 3 역시 하나의 통계적 검증 예시일 뿐, 상황에 따라 다양한 결과를 가질 수 있다.
상술한 바와 같이, 본 발명에 따르면, 로봇 구동부 임베디드 시스템 상에서 구동되는 진단 시스템이기 때문에, 제어에 사용되는 변수들에 대한 접근성이 상당히 용이하다. 이는 고장 상황에 대한 정보를 많이 내포한 데이터들에 대한 사용이 가능함을 의미하며, 진단 정확도도 높아질 수 있음을 내포한다. 또한, 서버로의 전송되는 시간 등을 절약할 수 있다. 더하여, DSP상에서 실시간으로 진단이 이루어지기 때문에 이상 상태 진단과 그 상태의 진단에 대한 결과를 신속히 알 수 있다는 장점이 있다. 이런 신속성은 전기 구동부의 진단에서 특히나 중요하다. 왜냐하면 인버터와 같은 구조는 수십~수백 마이크로초 단위로 동작하는 부품이며, 이런 수 마이크로초 단위에서 파손이 급격히 이뤄지는 부품이기에, 이에 대한 진단도 빠르게 이루어져야 한다. 진단이 늦어질 경우, 주위 부품에 대한 추가 손상을 야기하는 위험성도 상당히 높다. 이는 파손된 부품을 대신하여 다른 부품에서 추가적인 전류 공급을 진행하게 되어 과전류가 흐를 가능성을 증가시키기 때문이다.
본 발명에 따르면, 진단 대상을 제어하는 임베디드 시스템 상에서 구동될 정도의 크기를 가지는 이상 탐지 시스템을 통해 시스템 진단을 별다른 하드웨어나 서버 용량 등에 투자 없이 실행할 수 있고, 진단 대상을 제어하는 임베디드 시스템 상에서 구동될 정도의 크기를 가지는 고장 진단 시스템을 통해 시스템 진단을 별다른 하드웨어나 서버 용량 등에 투자 없이 실행할 수 있으며, 상기 목적을 위해서는 모터-인버터 시스템을 제어하는 변수들을 직접 활용하는 것이 유리한데, 임베디드 시스템상에서 구동 되기 때문에 이 변수들을 쉽게 활용 가능하다.
또한, 본 발명에 따르면, 이상 탐지부는 로봇이 동작할 때는 실시간으로 구동되어 로봇이 구동됨과 동시에 상시 진단이 가능하며, 이상을 판단했을 때는 고장 진단 시스템을 동작시켜 고장 종류까지 진단을 하여 상위 시스템으로 결과를 전송하게 된다. 이를 통해 공정 관리자가 이상 여부 및 가능성 높은 고장 부위를 확인할 수 있게 된다.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.
100: 로봇 진단 시스템
110: 임베디드 시스템
111: 데이터 센싱부
112: 이상 탐지부
113: 고장 진단부
112: 상위 시스템
121: 시스템 보드
122: 제어 센터
110: 임베디드 시스템
111: 데이터 센싱부
112: 이상 탐지부
113: 고장 진단부
112: 상위 시스템
121: 시스템 보드
122: 제어 센터
Claims (8)
- 사전에 설정된 동작을 수행하는 로봇 구동부의 구동 중 데이터를 센싱하는 데이터 센싱부;
상기 데이터 센싱부에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정하는 이상 탐지부; 및
상기 이상 탐지부에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를 진단하는 고장 진단부
를 포함하는 로봇 구동부를 진단하는 임베디드 시스템.
- 제1항에 있어서,
상기 데이터 센싱부는 상기 로봇 구동부의 전압, 전류, 속도 및 토크 정보를 센싱하는 로봇 구동부를 진단하는 임베디드 시스템.
- 제1항에 있어서,
상기 이상 탐지부와 상기 고장 진단부는 직렬 연결되고,
상기 이상 탐지부는 상기 데이터 센싱부에 의해 센싱된 데이터를 계산한 재구성 에러가 정상 상태이면 이상 탐지 동작을 반복하고,
상기 고장 진단부는 상기 이상 탐지부가 이상 상태를 탐지하는 경우에만 고장 종류 진단 동작을 수행하는 로봇 구동부를 진단하는 임베디드 시스템.
- 제1항에 있어서,
상기 데이터 센싱부, 상기 이상 탐지부 및 상기 고장 진단부는 상기 로봇 구동부를 구성하는 모터, 상기 모터를 제어하는 제어 보드 및 인버터와 함께 임베디드되는 로봇 구동부를 진단하는 임베디드 시스템.
- 사전에 설정된 동작을 수행하는 로봇 구동부의 구동 중 데이터를 센싱하는 데이터 센싱부와, 상기 데이터 센싱부에 의해 센싱된 데이터의 재구성 에러를 계산하여, 상기 재구성 에러가 사전에 설정된 임계치 이상이면 이상 상태로 판정하는 이상 탐지부와 상기 이상 탐지부에 의해 이상 상태로 판정된 데이터가 사전에 학습된 고장 유형에 해당하면 고장 종류를 진단하는 고장 진단부를 갖는 임베디드 시스템; 및
상기 임베디드 시스템의 상기 고장 진단부으로부터 고장 종류 진단 결과를 전송받아 관리자에 알람하는 상위 시스템
을 포함하는 로봇 진단 시스템.
- 제5항에 있어서,
상기 데이터 센싱부는 상기 로봇 구동부의 전압, 전류, 속도 및 토크 정보를 센싱하는 로봇 진단 시스템.
- 제5항에 있어서,
상기 이상 탐지부와 상기 고장 진단부는 직렬 연결되고,
상기 이상 탐지부는 상기 데이터 센싱부에 의해 센싱된 데이터를 계산한 재구성 에러가 정상 상태이면 이상 탐지 동작을 반복하고,
상기 고장 진단부는 상기 이상 탐지부가 이상 상태를 탐지하는 경우에만 고장 종류 진단 동작을 수행하는 로봇 진단 시스템.
- 제5항에 있어서,
상기 데이터 센싱부, 상기 이상 탐지부 및 상기 고장 진단부는 상기 로봇 구동부를 구성하는 모터, 상기 모터를 제어하는 제어 보드 및 인버터와 함께 임베디드되는 로봇 진단 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220110738A KR20240031695A (ko) | 2022-09-01 | 2022-09-01 | 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220110738A KR20240031695A (ko) | 2022-09-01 | 2022-09-01 | 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240031695A true KR20240031695A (ko) | 2024-03-08 |
Family
ID=90236029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220110738A KR20240031695A (ko) | 2022-09-01 | 2022-09-01 | 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240031695A (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210014788A (ko) | 2019-07-30 | 2021-02-10 | 한국생산기술연구원 | 로봇 관절부 고장진단 방법 및 이를 적용한 로봇 관절부 고장 진단 시스템 |
-
2022
- 2022-09-01 KR KR1020220110738A patent/KR20240031695A/ko not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210014788A (ko) | 2019-07-30 | 2021-02-10 | 한국생산기술연구원 | 로봇 관절부 고장진단 방법 및 이를 적용한 로봇 관절부 고장 진단 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180307231A1 (en) | Intelligent electronic speed controller (iesc) | |
US9684026B2 (en) | Apparatus and method for automatic ground fault location determination in high resistance grounded motor drive system | |
Masrur et al. | Intelligent diagnosis of open and short circuit faults in electric drive inverters for real-time applications | |
CN104850889B (zh) | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 | |
JP4927271B2 (ja) | センサ故障の検出、分離及び調整法 | |
US20110060569A1 (en) | Real-Time, Model-Based Autonomous Reasoner and Method of Using the Same | |
JP6711854B2 (ja) | 故障予測装置及び機械学習装置 | |
US9239575B2 (en) | Diagnostics for a programmable logic controller | |
JP2008181561A (ja) | プロセス制御システムの配線不良検出、診断、及び報告 | |
JP6907014B2 (ja) | 管理監視システム | |
CN111684475B (zh) | 学习支援装置、处理***、学习支援方法以及存储介质 | |
CN111448752B (zh) | 电力转换装置及空气调节机 | |
WO2015047121A1 (en) | Method and apparatus for embedded current signature analysis and remote condition monitoring for industrial machinery | |
WO2021241315A1 (ja) | 診断装置、サーバ、及び診断方法 | |
KR20150084613A (ko) | 데이터 마이닝을 이용한 타워크레인 고장예측방법 | |
US12013428B2 (en) | Method and device for monitoring gate signal of power semiconductor | |
EP3559447B1 (en) | Detecting electrical failures in a wind turbine generator control system | |
CN105243258B (zh) | 一种基于模型的crh3型动车组牵引逆变器igbt开路故障诊断方法 | |
KR20240031695A (ko) | 로봇 구동부를 진단하는 임베디드 시스템 및 로봇 진단 시스템 | |
US10903778B2 (en) | Apparatus and methods for monitoring subsea electrical systems using adaptive models | |
CN112881849A (zh) | 作业机械的故障诊断方法、装置、电子设备及存储介质 | |
Lee et al. | On-line switch-open fault detection of PMSM using artificial neural network | |
EP1739438B1 (en) | Turbo machinery speed monitor | |
GB2608545A (en) | Improved pattern recognition technique for data-driven fault detection within a process plant | |
CN113651202B (zh) | 电梯异常的智能识别方法以及智能识别装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |