선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 배관시스템의 밸브나 유량계와 같은 배관요소에서의 미세변위(일종의 미세진동)를 비접촉식 속도측정 방법인 PIV(particle image velocimetry)2,3) 법을 이용하여 원격으로 측정한 다음, 신경망(neural network) 이론4)을 도입하여 이들 배관요소의 정상적인 작동상태를 실시간으로 판단할 수 있는 비접촉식 측정시스템의 구축을 연구의 목적으로 삼고 있다.
제안 방법
- 본 실험에서는 두 가지의 실험을 수행하였다. 먼저 구축된 측정시스템으로 휴대폰의 미세진동을 원격으로 측정하여 휴대폰의 진동상태를 실시간으로 진단하는 측정실험을 수행하였고, 이어서 Fig. 3과 같은 배관시스템의 배관요소부(원으로 표시한 부위)에서의 진동상태를 실시간으로 진단하는 측정실험을 수행하였다. 휴대폰과 배관시스템의 미세변위를 측정하기 위한 측정부는 고속고해상카메라(500fps, HAS 500), 텔레스코프, 마이크로시스템, 레이저(532nm), 호스트 컴퓨터로 구성되어 있다.
- 얻어진 미세변위로부터 계산되는 속도(변위거리에 카메라 촬영시간 간격을 나누어서 구해짐)를 신경망(neural network)에 적용시켜 학습시킨 다음, 이들 휴대폰과 배관시스템이 무작위로 진동하였을 때 얻어진 실시간 영상에 대하여 이들의 작동상태를 진단하였다.
- 휴대폰 진동과 배관시스템의 미세진동을 원격인 상황에서(본 연구에서는 12m 이상) 감지하기 위하여 텔레스코프(LX200)를 이용하였고, 텔레스코프에 얻어진 원격영상의 미세진동을 판별하기 위하여 마이크로현미경(HD-200)을 이용하였다. 마이크로현미경에 착상된 물체의 미세변위를 영상화하기 위하여 고속카메라를 이용하였다.
- 휴대폰 진동과 배관시스템의 미세진동을 원격인 상황에서(본 연구에서는 12m 이상) 감지하기 위하여 텔레스코프(LX200)를 이용하였고, 텔레스코프에 얻어진 원격영상의 미세진동을 판별하기 위하여 마이크로현미경(HD-200)을 이용하였다. 마이크로현미경에 착상된 물체의 미세변위를 영상화하기 위하여 고속카메라를 이용하였다. 카메라영상은 계조치상호상관법 기반의 PIV계산8)에 의하여 휴대폰과 배관시스템의 미세변위를 계산하였고, 계산된 미세변위 정보를 신경망학습에 적용하였다.
- Case A, B, E는 휴대폰 Type A(KU5400)에 대한 측정을 나타내며, Case C, D, F는 휴대폰 Type B(M250S)에 대한 측정을 나타낸다. 각 case당 4번의 측정실험을 수행하였다. Case A와 C는 무진동 상황을 말하며, Case B와 D는 진동상황을 의미한다.
- 일반적으로 영상의 데이터를 취급할 때 벡터의 종점을 결정함에 있어서 픽셀해상도에 의존하는 경우에는 상하좌우방향으로 최대 ±1픽셀의 불확실성분이 발생하게 된다. 따라서 본 연구에서는 측정 픽셀의 좌우상하 픽셀의 밝기정보를 이용하여 2차곡선에 fitting함으로써 1픽셀 이내에까지 종점을 결정할 수 있는 서브픽셀보간법8)을 도입하였다. 한편, 미세진동의 주파수특성을 파악하기 위해 특징점의 이동거리를 다음 식 (3)으로 나타낸 이산푸리에변환(discrete fourier transform)9)을 적용하였다.
- 신경망은 병렬 처리 방식으로 초기 데이터 즉, Calibration 데이터에 존재할 수 있는 오차에 대한 영향을 덜 받으며, 학습 데이터 중에 입력에 대한 출력이 없었다고 하더라도 학습된 것을 기본으로 하여 가장 근접한 결과를 출력할 수 있는 일반화 능력까지도 고려한 알고리즘이다. 본 연구에서는 신경망의 특성인, 병렬처리 방식으로 인한 초기데이터의 오차를 최소화 할 수 있다는 점, 학습 완료 데이터에 대해서는 100% 추론이 가능하다는 점, 그리고 이러한 학습을 기본으로 하여 가장 근접한 결과를 출력한다는 점을 살려 FT변환(fourier transform) 대신 신경망을 이용한 물체 진동에 대한 진단을 실시하였다.
- 5의 신경망(neural network) 에 학습을 실시하였다. 전술한 바와 같이 입력층에는 시간연속적 속도데이터를 200개씩 반복하여 학습시켰다. Fig.
- 10의 속도데이터를 입력층에 학습시킬 때에는 출력층에는 휴대폰 Type B의 탁월주파수였던 “150Hz”를 학습시켰다. 출력층의 오차가 3%이하로 낮춰질 때 까지 반복학습을 실시하여 신경망학습을 종료시켰다.
- 에너지 수송을 위한 배관시스템에 설치된 밸브 또는 유량계의 오작동을 원격으로 진단할 수 있는 측정시스템을 구축하여, 배관시스템의 작동상태를 진단, 판별하는 과정에서 다음과 같이 정리할 수 있었다.
대상 데이터
- 휴대폰과 배관시스템의 미세변위를 측정하기 위한 측정부는 고속고해상카메라(500fps, HAS 500), 텔레스코프, 마이크로시스템, 레이저(532nm), 호스트 컴퓨터로 구성되어 있다. 측정대상인 휴대폰 모델은 각각 KU5400과 M250S 이다. 이들 휴대폰의 진동방식은 연속진동으로 설정하였다.
- 카메라영상은 계조치상호상관법 기반의 PIV계산8)에 의하여 휴대폰과 배관시스템의 미세변위를 계산하였고, 계산된 미세변위 정보를 신경망학습에 적용하였다. 휴대폰 진동을 측정하기 위해서는 휴대폰 표면에 10mm x 10mm크기의 종이판을 측정대상으로 하였다. 종이판에는 미세진동을 용이하게 인식하기 위하여 간격 1mm의 격자무늬를 설치하였다.
- 5는 본 연구에서 적용한 신경망 모델을 나타낸다. 입력층(input layer)은 총 200개, 중간층(hidden layer)은 총 10개, 그리고 출력층(output layer)은 1개로 구성되어 있다. 입력층에 데이터로서는 전술한 방법인 PIV계산방식에 의하여 얻어진 물체의 시간연속적 변위량 데이터 200개씩을 추출한 것을 사용하였다.
- 입력층(input layer)은 총 200개, 중간층(hidden layer)은 총 10개, 그리고 출력층(output layer)은 1개로 구성되어 있다. 입력층에 데이터로서는 전술한 방법인 PIV계산방식에 의하여 얻어진 물체의 시간연속적 변위량 데이터 200개씩을 추출한 것을 사용하였다. 다시 말하면 201번째~400번째의 데이터 200개의 데이터, 401번째~600번째 데이터 그룹이 반복적으로 입력층의 데이터로서 사용되었다는 의미이다.
이론/모형
- 3과 같은 배관시스템의 미세진동 상태를 12m 원거리에 설치되어 있는 카메라로 영상화하였다. 이 영상은 PIV(입자영상유속계, particle image velocimetry) 계산 알고리듬인 계조치상호상관법8)을 적용하여 관계통의 미세진동 변위를 구하였다.
- 마이크로현미경에 착상된 물체의 미세변위를 영상화하기 위하여 고속카메라를 이용하였다. 카메라영상은 계조치상호상관법 기반의 PIV계산8)에 의하여 휴대폰과 배관시스템의 미세변위를 계산하였고, 계산된 미세변위 정보를 신경망학습에 적용하였다. 휴대폰 진동을 측정하기 위해서는 휴대폰 표면에 10mm x 10mm크기의 종이판을 측정대상으로 하였다.
- 측정대상에 해당되는 휴대폰과 배관시스템의 미세진동 변위량 계측을 위하여 전술의 측정시스템으로 얻어진 영상에 대하여 계조치상호상관법8)을 적용하였다. 실험영상은 호스트컴퓨터에 전송되어 디지털영상화 된다.
- 따라서 본 연구에서는 측정 픽셀의 좌우상하 픽셀의 밝기정보를 이용하여 2차곡선에 fitting함으로써 1픽셀 이내에까지 종점을 결정할 수 있는 서브픽셀보간법8)을 도입하였다. 한편, 미세진동의 주파수특성을 파악하기 위해 특징점의 이동거리를 다음 식 (3)으로 나타낸 이산푸리에변환(discrete fourier transform)9)을 적용하였다.
- 신경망은 전술한 바와 같이 반복학습에 의해서 원하는 지식을 습득하는 것인데, 본 연구에서는 학습오차가 원하는 수준으로 감소할 때까지 결합하중(connection weight)과 바이어스(bias)를 조정하는 방식인 오류 역전파 알고리즘 (back-propagation algorithm: 이하 BP법)3)을 사용하였다. 식 (6)은 입력층에서의 입력데이터(xi, i=1~8)와 결합하중(v) 및 바이어스(θ)의 합을 나타낸 것이며, 이를 시그모이드 함수로 전이하여 식 (7)과 같이 중간층에서의 출력데이터가 구해진다.
성능/효과
- 본 연구는 디지털영상을 이용하는 관점에서는 이들 연구와 공통점을 지니지만, 초당 500장의 고해상 영상을 해석하여, 그 결과를 바탕으로 얻어진 미세진동 변위를 원격으로 측정할 수 있다는 점, 그리고 이들 미세변위에 대한 측정결과를 신경망(neural network)에 학습 및 판별함으로써 배관요소와 같은 기계시스템의 작동상태를 실시간으로 판별할 수 있다는 점에서 차별화된다.
- 15는 각각 이들 속도데이터를 입력신호로서 신경망에 투입하였을 때, 실시간으로 신경망의 출력에 나타나는 신호를 의미한다. 3초의 시각에서 정확하게 175Hz와 150Hz를 재현하고 있음을 알 수 있다. 이는 신경망이 실시간으로 작동상태를 진단하고 있음을 의미한다.
- 본 연구에서 구축한 원격 물체의 미세변위 측정시스템은 유체공학에서 자주 사용되고 있는 입자영상 유속계(PIV) 기법과 신경망(neural network)이론을 접목함으로써 12m이상의 거리에서도 1mm이내의 미세진동을 측정할 수 있음을 확인되었다.
- 구축된 신경망 기반의 측정시스템은 2종류의 휴대폰의 작동상태를 12m이상에서 실시간으로 명확히 구분할 수 있었는데, 이는 본 측정시스템이 원격물체의 미세진동으로부터 물체에 연결된 요소의 작동상태를 진단할 수 있음을 시사한다. 푸리에변환을 통한 주파수분석이 없이 물체의 진동으로부터 작동상태를 명확히 구분할 수 있음을 시사한다.
후속연구
- 실험에 사용된 고속카메라의 속도를 향상시킨다면 보다 정밀한 고체진동에 대한 측정으로부터 보다 세밀한 미세 진동성분에 대해서도 분석이 가능할 것으로 사료된다.
- 본 연구에서 구축된 측정시스템은 배관시스템의 배관요소에 대한 작동유무를 원격으로 측정할 수 있는 것으로서 향후 에너지플랜트에서의 배관요소에 대한 고장여부를 진단하는데 활용 할 수 있을 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.