KR20240076178A - 전동기의 고장 진단장치 및 그 방법 - Google Patents
전동기의 고장 진단장치 및 그 방법 Download PDFInfo
- Publication number
- KR20240076178A KR20240076178A KR1020220158411A KR20220158411A KR20240076178A KR 20240076178 A KR20240076178 A KR 20240076178A KR 1020220158411 A KR1020220158411 A KR 1020220158411A KR 20220158411 A KR20220158411 A KR 20220158411A KR 20240076178 A KR20240076178 A KR 20240076178A
- Authority
- KR
- South Korea
- Prior art keywords
- electric motor
- failure
- processor
- data
- finite element
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 41
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
본 발명은 전동기의 고장 진단장치 및 그 방법이 개시된다. 본 발명의 전동기의 고장 진단장치는, 기어박스와 연결되는 전동기; 전동기의 상태를 감지하는 센서모듈; 실행 프로그램을 저장하는 메모리; 및 전동기, 센서모듈 및 메모리와 작동적으로 연결(operatively coupled to)된 프로세서;를 포함하되, 프로세서는 실행 프로그램을 구동하여 고장상태에 따라 고장 형상이 구현된 기어박스에 대해 전동기의 운전속도를 변경하여 구동시킨 후 센서모듈을 통해 감지되는 전동기의 상태를 유한요소 해석을 통해 데이터를 수집하여 딥러닝 알고리즘으로 학습시켜 전동기의 고장을 진단하는 것을 특징으로 한다.
Description
본 발명은 전동기의 고장 진단장치 및 그 방법에 관한 것으로서, 보다 상세하게는 실제 전동기의 형상 및 운전 조건을 갖는 상황에서 유한요소 해석법을 통해 데이터를 생성하여 부족한 전동기의 고장진단 데이터를 보충함으로써 딥러닝 기반으로 전동기의 고장을 진단하는 전동기의 고장 진단장치 및 그 방법에 관한 것이다.
산업현장에서 회전기계가 작동 중 이상이 발생하였을 때 막대한 경제적 손실과 피해를 가져올 수 있다. 따라서, 회전기계에 대한 고장진단은 매우 중요한 이슈가 되어 왔다.
한편, 회전 기계의 이상 진단을 위해 회전 기계의 고장을 진단하는 장치 및 방법에 많은 연구가 있었다. 구체적으로, 회전 기계의 이상을 진단하기 위해 회전기계의 특성을 고려하여 전류, 전압 등의 전기적 특성이나 진동, 소음, 온도 등의 기계적 특성들에 대한 데이터를 취득하여 분석하는 다양한 기술들이 개발되어 왔다.
기계의 전반적인 상태를 나타내는 지표는 많이 있지만 진동신호가 기계의 고장에 대해 가장 포괄적인 측정을 제공할 수 있다. 특히, 주파수 영역에서 진동신호를 측정하면 결점의 위치를 찾을 수 있다. 또한, 진동의 레벨은 직접적으로 기계 상태와 상호 관련이 있기 때문에, 평상시의 작동과 벗어난 새로운 진동신호가 있다면 기계 구성요소들 중 하나가 고장을 일으킨 것을 알 수 있게 되었다.
따라서 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하고, 수집된 데이터를 머신 러닝 알고리즘인 SVM(Support Vector Machine)을 이용하여 분석하고, 데이터의 분석 결과에 기초하여 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하였다.
본 발명의 배경기술은 대한민국 공개특허공보 제10-2011-0108950호(2011.10.06. 공개, 신경회로망과 특징점을 이용한 고장진단장치 및 그의 고장진단방법)에 개시되어 있다.
이와 같은 고장 진단방법은 전동기의 고장을 이상치로만 분류하는 것으로, 전동기의 신호는 고장에 따라 일정한 특성을 갖게 되기 때문에 이와 같은 방법이 적절한 분야도 있지만, 이상치를 탐색하는 방법만 사용할 경우 고장의 정도 또는 전동기의 수명을 예측할 수 없는 문제점이 있다. 더욱이 이상치 탐색을 통해서는 전동기의 정상상태와 차이가 있는 신호인지만을 파악 가능하기 때문에 고장상태를 특정짓기 어려운 문제점이 있다.
따라서 이를 해결하기 위해 전동기의 고장신호를 직접적으로 학습시키는 기술들이 발전되고 있지만 종래의 연구들은 전동기의 고장상태가 모두 동일하다는 과정을 통해 특정한 전동기의 고장상태 하나만을 학습에 사용하고 있다.
이러한 방법을 사용할 경우, 위에서 언급한 문제점과 같이 전동기의 고장 수준 및 수명 예측을 할 수 없으며 동일한 고장상태(베어링 파손, 기어 마모 등)일지라도 운전 조건, 고장 수준에 따라 달라지는 신호에 대처할 수 없는 문제점이 있다.
또한, 이러한 데이터 제한은 실제 고장이 발생한 전동기 또는 운전에 직접적인 영향을 주지 않는 수준의 고장이 발생한 전동기를 구현 또는 수집하는 것이 어렵기 때문에 고장 예측 및 수준 높은 고장 진단 기술을 구현할 수 없는 문제점이 있다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 실제 전동기의 형상 및 운전 조건을 갖는 상황에서 유한요소 해석법을 통해 데이터를 생성하여 부족한 전동기의 고장진단 데이터를 보충함으로써 딥러닝 기반으로 전동기의 고장을 진단하는 전동기의 고장 진단장치 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 전동기의 고장 진단장치는, 기어박스와 연결되는 전동기; 전동기의 상태를 감지하는 센서모듈; 실행 프로그램을 저장하는 메모리; 및 전동기, 센서모듈 및 메모리와 작동적으로 연결(operatively coupled to)된 프로세서;를 포함하되, 프로세서는 실행 프로그램을 구동하여 고장상태에 따라 고장 형상이 구현된 기어박스에 대해 전동기의 운전속도를 변경하여 구동시킨 후 센서모듈을 통해 감지되는 전동기의 상태를 유한요소 해석을 통해 데이터를 수집하여 딥러닝 알고리즘으로 학습시켜 전동기의 고장을 진단하는 것을 특징으로 한다.
본 발명에서 센서모듈은, 진동센서, 소음센서 및 전류센서 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명에서 프로세서는, 고장 형상과 운전속도에 대해 어느 하나 이상이 변경된 경우 유한요소 해석을 통해 데이터를 수집하는 것을 특징으로 한다.
본 발명에서 프로세서는, 운전 주파수의 3% 이내의 범위에서 운전 주파수를 변경하여 전동기의 운전속도를 변경하는 것을 특징으로 한다.
본 발명에서 프로세서는, GAN(Generative Adversarial Network) 알고리즘을 적용하여 유한요소 해석 데이터를 증식시켜 GAN 생성 데이터를 생성하는 것을 특징으로 한다.
본 발명에서 프로세서는, 유한요소 해석 데이터와 GAN 생성 데이터에 기초하여 딥러닝 알고리즘으로 학습하여 전동기의 고장을 진단하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 전동기의 고장 진단방법은, 프로세서가 고장상태에 따라 고장 형상이 구현된 기어박스에 대해 전동기의 운전속도를 변경하여 구동시키는 단계; 프로세서가 센서모듈로부터 전동기의 상태를 감지한 감지신호를 입력받는 단계; 프로세서가 감지신호를 유한요소 해석을 통해 데이터를 수집하는 단계; 프로세서가 딥러닝 알고리즘으로 학습시키는 단계; 및 프로세서가 학습결과를 기반으로 전동기의 고장을 진단하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에서 운전속도를 변경하여 구동시키는 단계는, 프로세서가 운전 주파수의 3% 이내의 범위에서 운전 주파수를 변경하여 전동기의 운전속도를 변경하는 것을 특징으로 한다.
본 발명에서 감지신호를 입력받는 단계는, 진동센서, 소음센서 및 전류센서 중 어느 하나 이상으로부터 입력받는 것을 특징으로 한다.
본 발명에서 데이터를 수집하는 단계는, 프로세서가 고장 형상과 운전속도에 대해 어느 하나 이상이 변경된 경우 유한요소 해석을 통해 데이터를 수집하는 것을 특징으로 한다.
본 발명에서 학습시키는 단계는, 프로세서가 GAN(Generative Adversarial Network) 알고리즘을 적용하여 유한요소 해석 데이터를 증식시켜 GAN 생성 데이터를 생성하는 단계; 및 프로세서가 유한요소 해석 데이터와 GAN 생성 데이터에 기초하여 딥러닝 알고리즘으로 학습시키는 단계;를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 전동기의 고장 진단장치 및 그 방법은 실제 전동기의 형상 및 운전 조건을 갖는 상황에서 유한요소 해석법을 통해 데이터를 생성하여 부족한 전동기의 고장진단 데이터를 보충함으로써 딥러닝 기반으로 전동기의 고장을 진단하여 전동기의 고장 정도를 실시간으로 분석 가능할 뿐만 아니라 초기 이상에 대한 감지가 가능하고, 전동기의 신호 변화 정도를 추적해 전동기의 예상 수명을 분석할 수도 있다.
도 1은 본 발명의 일 실시예에 따른 전동기의 고장 진단장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 전동기의 고장 진단장치에 적용되는 기어박스를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 전동기의 고장 진단장치에 적용되는 기어박스의 고장상태를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 전동기의 고장 진단방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 전동기의 고장 진단장치에 적용되는 기어박스를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 전동기의 고장 진단장치에 적용되는 기어박스의 고장상태를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 전동기의 고장 진단방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 전동기의 고장 진단장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 전동기의 고장 진단장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 전동기의 고장 진단장치에 적용되는 기어박스를 나타낸 도면이며, 도 3은 본 발명의 일 실시예에 따른 전동기의 고장 진단장치에 적용되는 기어박스의 고장상태를 나타낸 예시도이다.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 전동기의 고장 진단장치는, 기어박스(10), 전동기(20), 센서모듈(30), 메모리(50) 및 프로세서(40)를 포함할 수 있다.
기어박스(10)는 고장 형상을 구현하여 정상상태뿐만 아니라 초기 고장상태 및 심화 고장상태를 구현할 뿐만 아니라 베어링 고장 및 회전바 손상 등 기어 고장에 의한 신호변화를 해석할 수 있도록 구성할 수 있다.
도 2의 (b)와 (c)에 도시된 바와 같이 내부에 B 부분과 같이 기어 및 베어링을 구성하여 기어박스를 형성하고, (c)의 A 부분 등 하우징의 모든 위치에서 센서모듈(30)을 통해 진동신호를 측정하여 해석할 수 있다.
또한 도 3에 도시된 바와 같이 기어의 고장상태를 구현할 수 있다.
즉, (a)와 같이 기어치의 정상상태(301)와 마모상태(302)를 구현하였고, (b)와 같이 기어치의 정상상태(303)와 파손상태(304)를 구현하였다.
전동기(20)는 기어박스(10)와 연결되어 기어와 베어링을 회전시킨다.
센서모듈(30)은 전동기(20)의 상태를 감지하여 감지신호를 출력할 수 있다.
여기서 센서모듈(30)은 진동센서, 소음센서 및 전류센서 중 어느 하나 이상을 포함하여 전동기(20)에서 발생되는 진동, 소음 및 전류를 감지한 감지신호를 출력한다.
메모리(50)는 전동기(20)의 고장 진단을 위한 실행 프로그램이 저장되며, 전동기(20)의 고장 진단장치의 동작과 관련된 데이터를 저장할 수 있으며, 저장되는 정보들은 필요에 따라 프로세서(40)에 의해 취사선택될 수 있다.
즉, 메모리(50)에는 전동기(20)의 고장 진단장치의 구동을 위한 운영 체제나 어플리케이션(프로그램 또는 애플릿)의 실행과정에서 발생되는 여러 종류의 데이터가 저장된다. 이때, 메모리(50)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다.
또한, 메모리(50)는 프로세서(40)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(50)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(40)는 전동기(20), 센서모듈(30) 및 메모리(50)와 작동적으로 연결(operatively coupled to)되어, 전동기의 고장 진단장치의 전반적인 동작을 제어하는 구성으로, 집적 회로, 시스템 온 칩 등으로 구현될 수 있다.
프로세서(40)는 메모리(50)에 저장된 실행 프로그램을 구동하여 고장상태에 따라 고장 형상이 구현된 기어박스(10)에 대해 전동기(20)의 운전속도를 변경하여 구동시킨 후 센서모듈(30)을 통해 감지되는 전동기(20)의 상태를 유한요소 해석을 통해 데이터를 수집하여 딥러닝 알고리즘으로 학습시켜 전동기(20)의 고장을 진단할 수 있다.
여기서 프로세서(40)는 고장 형상과 운전속도에 대해 어느 하나 이상이 변경된 경우 유한요소 해석을 통해 데이터를 수집할 수 있다.
즉, 기어박스(10)를 고장 수준에 따라 고장 형상을 미세하게 변화시킨 후 유한요소 해석 데이터를 수집할 수 있다. 또한, 전동기(20)의 속도를 미세하게 변화시켜 부하 변동에 따른 전동기(30)의 신호 변화에 대처할 수 있도록 유한요소 해석 데이터를 수집할 수 있다.
여기서, 유한요소 해석 데이터는 감지신호에 대해 유한요소 해석 기법으로 데이터를 증폭하여 만들어진 데이터이다.
이때 프로세서(40)는 운전 주파수의 3% 이내의 범위에서 운전 주파수를 변경하여 전동기(20)의 운전속도를 변경하면서 데이터를 수집할 수 있다.
또한, 프로세서(40)는 GAN(Generative Adversarial Network) 알고리즘을 적용하여 유한요소 해석 데이터를 증식시켜 GAN 생성 데이터를 생성할 수 있다.
여기서, GAN(Generative Adversarial Network) 알고리즘은 딥러닝 모델이 입력된 가짜 데이터를 진짜 데이터로 인지할 수 있게 학습시키는 모델로 부족한 유한요소 해석 데이터의 수를 증가시킬 수 있다.
GAN 알고리즘은 적대적 생성 기법으로 가상 데이터를 생성하는 생성자와 생성자가 생성한 데이터의 성능을 높이는 구분자로 구성되며, GAN 알고리즘을 통해 생성된 GAN 생성 데이터는 유한 요소해석 데이터와 비교해 딥러닝 알고리즘이 구분하기 어려울 정도로 유사한 데이터이다.
따라서, 프로세서(40)는 딥러닝 알고리즘을 통해 유한요소 해석 데이터와 GAN 생성 데이터를 합친 데이터로 학습하여 전동기(20)의 고장을 진단할 수 있다.
이와 같이 유한요소 해석법을 이용하여 데이터를 생성함으로써 구현하기 어려운 전동기의 고장상태들을 사용자가 요구하는 만큼 구현하여 데이터를 수집할 수 있기 때문에 시스템 구축에 요구되는 비용이 매우 저렴해질 수 있고, 고장 진단의 정확도를 높일 수 있는 양질의 데이터를 대량으로 수집할 수 있다.
또한, 기계적 고장 및 전기적 고장을 포함한 다수의 상태에 대해 분류할 수 있어 고장진단의 정확도를 상승시킬 수 있고, 전동기에 따라 형상을 달리한 해석을 할 수 있어 범용성이 우수하다.
상술한 바와 같이, 본 발명의 실시예에 의한 전동기의 고장 진단장치에 따르면, 실제 전동기의 형상 및 운전 조건을 갖는 상황에서 유한요소 해석법을 통해 데이터를 생성하여 부족한 전동기의 고장진단 데이터를 보충함으로써 딥러닝 기반으로 전동기의 고장을 진단하여 전동기의 고장 정도를 실시간으로 분석 가능할 뿐만 아니라 초기 이상에 대한 감지가 가능하고, 전동기의 신호 변화 정도를 추적해 전동기의 예상 수명을 분석할 수도 있다.
도 4는 본 발명의 일 실시예에 따른 전동기의 고장 진단방법을 설명하기 위한 흐름도이다.
도 4에 도시된 바와 같이 본 발명의 일 실시예에 따른 전동기의 고장 진단방법에서는 먼저, 프로세서(40)가 고장상태에 따라 고장 형상이 구현된 기어박스(10)에 대해 전동기(20)의 운전속도를 변경하여 구동시킨다(S10).
여기서, 기어박스(10)는 고장 형상을 구현하여 정상상태 뿐만 아니라 초기 고장상태 및 심화 고장상태를 구현할 뿐만 아니라 베어링 고장 및 회전바 손상 등 기어 고장에 의한 신호변화를 해석할 수 있도록 구성할 수 있다.
도 3에 도시된 바와 같이 기어의 고장상태를 구현할 수 있다.
즉, (a)와 같이 기어치의 정상상태(301)와 마모상태(302)를 구현할 수 있고, (b)와 같이 기어치의 정상상태(303)와 파손상태(304)를 구현할 수 있다.
또한, 전동기(20)의 운전속도는 프로세서(40)가 운전 주파수의 3% 이내의 범위에서 운전 주파수를 변경하여 전동기(20)의 운전속도를 변경하여 구동시킬 수 있다.
S10 단계에서 기어박스(10)를 고장 수준에 따라 고장 형상을 미세하게 변화시킨 후 프로세서(40)는 센서모듈(30)로부터 전동기(20)의 상태를 감지한 감지신호를 입력받는다(S20).
여기서 센서모듈(30)은 진동센서, 소음센서 및 전류센서 중 어느 하나 이상을 포함하여 전동기(20)에서 발생되는 진동, 소음 및 전류를 감지한 감지신호를 출력한다.
S20 단계에서 감지신호를 입력받은 후 프로세서(40)는 고장 형상과 운전속도에 대해 어느 하나 이상이 변경된 경우 유한요소 해석을 통해 데이터를 수집한다(S30).
즉, 기어박스(10)를 고장 수준에 따라 고장 형상을 미세하게 변화시킨 후 유한요소 해석 데이터를 수집할 수 있다. 또한, 전동기(20)의 속도를 미세하게 변화시켜 부하 변동에 따른 전동기(30)의 신호 변화에 대처할 수 있도록 유한요소 해석 데이터를 수집할 수 있다.
여기서, 유한요소 해석 데이터는 감지신호에 대해 유한요소 해석 기법으로 데이터를 증폭하여 만들어진 데이터이다.
S30 단계에서 유한요소 해석을 통해 유한요소 해석 데이터를 수집한 후 프로세서(40)는 GAN(Generative Adversarial Network) 알고리즘을 적용하여 유한요소 해석 데이터를 증식시켜 GAN 생성 데이터를 생성한다(S40).
여기서, GAN(Generative Adversarial Network) 알고리즘은 딥러닝 모델이 입력된 가짜 데이터를 진짜 데이터로 인지할 수 있게 학습시키는 모델로 부족한 유한요소 해석 데이터의 수를 증가시킬 수 있다.
GAN 알고리즘은 적대적 생성 기법으로 가상 데이터를 생성하는 생성자와 생성자가 생성한 데이터의 성능을 높이는 구분자로 구성되며, GAN 알고리즘을 통해 생성된 GAN 생성 데이터는 유한 요소해석 데이터와 비교해 딥러닝 알고리즘이 구분하기 어려울 정도로 유사한 데이터이다.
S40 단계에서 GAN 생성 데이터를 생성한 후 프로세서(40)는 딥러닝 알고리즘을 통해 유한요소 해석 데이터와 GAN 생성 데이터를 합친 데이터로 학습한다(S50).
S50 단계에서 유한요소 해석 데이터와 GAN 생성 데이터를 기반으로 학습한 학습결과를 기반으로 프로세서(40)는 전동기(20)의 고장을 진단한다(S60).
이와 같이 유한요소 해석법을 이용하여 데이터를 생성함으로써 구현하기 어려운 전동기(20)의 고장상태들을 사용자가 요구하는 만큼 구현하여 데이터를 수집할 수 있기 때문에 시스템 구축에 요구되는 비용이 매우 저렴해질 수 있고, 고장 진단의 정확도를 높일 수 있는 양질의 데이터를 대량으로 수집할 수 있다.
또한, 기계적 고장 및 전기적 고장을 포함한 다수의 상태에 대해 분류할 수 있어 고장진단의 정확도를 상승시킬 수 있고, 전동기에 따라 형상을 달리한 해석을 할 수 있어 범용성이 우수하다.
상술한 바와 같이, 본 발명의 실시예에 의한 전동기의 고장 진단방법에 따르면, 실제 전동기의 형상 및 운전 조건을 갖는 상황에서 유한요소 해석법을 통해 데이터를 생성하여 부족한 전동기의 고장진단 데이터를 보충함으로써 딥러닝 기반으로 전동기의 고장을 진단하여 전동기의 고장 정도를 실시간으로 분석 가능할 뿐만 아니라 초기 이상에 대한 감지가 가능하고, 전동기의 신호 변화 정도를 추적해 전동기의 예상 수명을 분석할 수도 있다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.
10 : 기어박스
20 : 전동기
30 : 센서모듈
40 : 프로세서
50 : 메모리
20 : 전동기
30 : 센서모듈
40 : 프로세서
50 : 메모리
Claims (11)
- 기어박스와 연결되는 전동기;
상기 전동기의 상태를 감지하는 센서모듈;
실행 프로그램을 저장하는 메모리; 및
상기 전동기, 상기 센서모듈 및 상기 메모리와 작동적으로 연결(operatively coupled to)된 프로세서;를 포함하되,
상기 프로세서는 상기 실행 프로그램을 구동하여 고장상태에 따라 고장 형상이 구현된 상기 기어박스에 대해 상기 전동기의 운전속도를 변경하여 구동시킨 후 상기 센서모듈을 통해 감지되는 상기 전동기의 상태를 유한요소 해석을 통해 데이터를 수집하여 딥러닝 알고리즘으로 학습시켜 상기 전동기의 고장을 진단하는 것을 특징으로 하는 전동기의 고장 진단장치.
- 제 1항에 있어서, 상기 센서모듈은, 진동센서, 소음센서 및 전류센서 중 어느 하나 이상을 포함하는 것을 특징으로 하는 전동기의 고장 진단장치.
- 제 1항에 있어서, 상기 프로세서는, 상기 고장 형상과 상기 운전속도에 대해 어느 하나 이상이 변경된 경우 유한요소 해석을 통해 데이터를 수집하는 것을 특징으로 하는 전동기의 고장 진단장치.
- 제 1항에 있어서, 상기 프로세서는, 운전 주파수의 3% 이내의 범위에서 상기 운전 주파수를 변경하여 상기 전동기의 상기 운전속도를 변경하는 것을 특징으로 하는 전동기의 고장 진단장치.
- 제 1항에 있어서, 상기 프로세서는, GAN(Generative Adversarial Network) 알고리즘을 적용하여 유한요소 해석 데이터를 증식시켜 GAN 생성 데이터를 생성하는 것을 특징으로 하는 전동기의 고장 진단장치.
- 제 5항에 있어서, 상기 프로세서는, 상기 유한요소 해석 데이터와 상기 GAN 생성 데이터에 기초하여 딥러닝 알고리즘으로 학습하여 상기 전동기의 고장을 진단하는 것을 특징으로 하는 전동기의 고장 진단장치.
- 프로세서가 고장상태에 따라 고장 형상이 구현된 기어박스에 대해 전동기의 운전속도를 변경하여 구동시키는 단계;
상기 프로세서가 센서모듈로부터 상기 전동기의 상태를 감지한 감지신호를 입력받는 단계;
상기 프로세서가 상기 감지신호를 유한요소 해석을 통해 데이터를 수집하는 단계;
상기 프로세서가 딥러닝 알고리즘으로 학습시키는 단계; 및
상기 프로세서가 학습결과를 기반으로 상기 전동기의 고장을 진단하는 단계;를 포함하는 것을 특징으로 하는 전동기의 고장 진단방법.
- 제 7항에 있어서, 상기 운전속도를 변경하여 구동시키는 단계는, 상기 프로세서가 운전 주파수의 3% 이내의 범위에서 상기 운전 주파수를 변경하여 상기 전동기의 상기 운전속도를 변경하는 것을 특징으로 하는 전동기의 고장 진단방법.
- 제 7항에 있어서, 상기 감지신호를 입력받는 단계는, 진동센서, 소음센서 및 전류센서 중 어느 하나 이상으로부터 입력받는 것을 특징으로 하는 전동기의 고장 진단방법.
- 제 7항에 있어서, 상기 데이터를 수집하는 단계는, 상기 프로세서가 상기 고장 형상과 상기 운전속도에 대해 어느 하나 이상이 변경된 경우 유한요소 해석을 통해 데이터를 수집하는 것을 특징으로 하는 전동기의 고장 진단방법.
- 제 7항에 있어서, 상기 학습시키는 단계는,
상기 프로세서가 GAN(Generative Adversarial Network) 알고리즘을 적용하여 유한요소 해석 데이터를 증식시켜 GAN 생성 데이터를 생성하는 단계; 및
상기 프로세서가 상기 유한요소 해석 데이터와 상기 GAN 생성 데이터에 기초하여 딥러닝 알고리즘으로 학습시키는 단계;를 포함하는 것을 특징으로 하는 전동기의 고장 진단방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220158411A KR20240076178A (ko) | 2022-11-23 | 2022-11-23 | 전동기의 고장 진단장치 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220158411A KR20240076178A (ko) | 2022-11-23 | 2022-11-23 | 전동기의 고장 진단장치 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240076178A true KR20240076178A (ko) | 2024-05-30 |
Family
ID=91275754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220158411A KR20240076178A (ko) | 2022-11-23 | 2022-11-23 | 전동기의 고장 진단장치 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240076178A (ko) |
-
2022
- 2022-11-23 KR KR1020220158411A patent/KR20240076178A/ko unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abid et al. | Robust interpretable deep learning for intelligent fault diagnosis of induction motors | |
Gangsar et al. | Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review | |
KR102584920B1 (ko) | 펌프 모니터링 장치 및 방법 | |
Cipollini et al. | Unsupervised deep learning for induction motor bearings monitoring | |
JP6961424B2 (ja) | 故障診断システム | |
JP7518166B2 (ja) | 診断装置、サーバ、及び診断方法 | |
WO2007131075A2 (en) | Multivariate monitoring of operating procedures | |
CN108427374A (zh) | 诊断用数据取得***、诊断用***以及计算机可读介质 | |
CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
CN101339434A (zh) | 机械设备故障在线诊断装置及方法 | |
US11787057B2 (en) | Diagnostic system, diagnosing method, and program | |
Cipollini et al. | Unintrusive monitoring of induction motors bearings via deep learning on stator currents | |
Zoungrana et al. | Automatic classification of rotating machinery defects using machine learning (ml) algorithms | |
Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
KR20240076178A (ko) | 전동기의 고장 진단장치 및 그 방법 | |
Albano et al. | Advanced sensor-based maintenance in real-world exemplary cases | |
Yaqub et al. | Machine fault severity estimation based on adaptive wavelet nodes selection and SVM | |
JP2006221308A (ja) | 異常検出方法および制御装置と、これらを用いた制御システム | |
Babu et al. | Review on various signal processing techniques for predictive maintenance | |
KR102638802B1 (ko) | 회전체의 고장 진단장치 및 그 방법 | |
Raza et al. | Application of intelligent technique to identify hidden abnormalities in a system: A case study from oil export pumps from an offshore oil production facility | |
Strangas et al. | Failure prognosis methods in electrical drives-State of the art and future directions | |
Hammami et al. | Maintenance 4.0 of Wind Turbine | |
Zubizarreta-Rodriguez et al. | Condition monitoring of brushless DC motors with non-stationary dynamic conditions | |
Khaniki et al. | Enhancing Fault Detection in Induction Motors using LSTM-Attention Neural Networks |