가스배관망 작동상태 실시간 진단용 인공신경망 기반 모니터링 시스템 A Monitoring System Based on an Artificial Neural Network for Real-Time Diagnosis on Operating Status of Piping System원문보기
본 연구에서는 인공신경망을 이용하여 배관이나 배관요소의 작동상태를 예측할 수 있는 진단방법을 제안한다. 입자영상유속계 기술을 이용하여 얻어진 배관의 검사부위의 진동에 의한 이동량을 인공신경망의 학습용으로 사용한다. 측정시스템은 카메라, 조명, 인공신경망이 탑재된 호스트컴퓨터로 구성된다. 구축된 모니터링시스템이 제대로 작동하는지 이미 알고 있는 진동원(2개의 휴대폰)에 대하여 적용하였다. 진동가속도의 최소값, 최대값, 평균값을 인공신경망의 학습에 사용해 본 결과, 평균값이 진동상태의 실시간 모니터링에 적합함을 확인하였다. 구축된 진단시스템은 실제 가스배관의 작동상태에 대하여 모니터링 가능함이 확인되었다.
본 연구에서는 인공신경망을 이용하여 배관이나 배관요소의 작동상태를 예측할 수 있는 진단방법을 제안한다. 입자영상유속계 기술을 이용하여 얻어진 배관의 검사부위의 진동에 의한 이동량을 인공신경망의 학습용으로 사용한다. 측정시스템은 카메라, 조명, 인공신경망이 탑재된 호스트컴퓨터로 구성된다. 구축된 모니터링시스템이 제대로 작동하는지 이미 알고 있는 진동원(2개의 휴대폰)에 대하여 적용하였다. 진동가속도의 최소값, 최대값, 평균값을 인공신경망의 학습에 사용해 본 결과, 평균값이 진동상태의 실시간 모니터링에 적합함을 확인하였다. 구축된 진단시스템은 실제 가스배관의 작동상태에 대하여 모니터링 가능함이 확인되었다.
In this study, a new diagnosis method which can predict the working states of a pipe or its element in realtime is proposed by using an artificial neural network. The displacement data of an inspection element of a piping system are obtained by the use of PIV (particle image velocimetry), and are us...
In this study, a new diagnosis method which can predict the working states of a pipe or its element in realtime is proposed by using an artificial neural network. The displacement data of an inspection element of a piping system are obtained by the use of PIV (particle image velocimetry), and are used for teaching a neural network. The measurement system consists of a camera, a light source and a host computer in which the artificial neural network is installed. In order to validate the constructed monitoring system, performance test was attempted for two kinds of mobile phone of which vibration modes are known. Three values of acceleration (minimum, maximum, mean) were tested for teaching the neural network. It was verified that mean values were appropriate to be used for monitoring data. The constructed diagnosis system could monitor the operation condition of a gas pipe.
In this study, a new diagnosis method which can predict the working states of a pipe or its element in realtime is proposed by using an artificial neural network. The displacement data of an inspection element of a piping system are obtained by the use of PIV (particle image velocimetry), and are used for teaching a neural network. The measurement system consists of a camera, a light source and a host computer in which the artificial neural network is installed. In order to validate the constructed monitoring system, performance test was attempted for two kinds of mobile phone of which vibration modes are known. Three values of acceleration (minimum, maximum, mean) were tested for teaching the neural network. It was verified that mean values were appropriate to be used for monitoring data. The constructed diagnosis system could monitor the operation condition of a gas pipe.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 가스배관과 같이 유체배관에서의 밸브나 유량계 등 각 요소에서의 작동상태나 누설상태를 비접촉식 속도측정법인 PIV(Particle Image Velocimetry)(1)법을 이용하여 측정하고, 신경망(Neural network)이론(3)을 접목시켜 이들의 작동상태를 실시간으로 판별할 수 있는 비접촉식 모니터링시스템을 구축하는 것을 연구의 목적으로 삼고 있다.
본 연구에서는 배관 진동의 데이터로부터 탁월주파수를 구하지 않고 진동데이터 자체를 직접 인공 신경망에 실시간으로 학습시켜가면서 배관상태를 실시간으로 판단할 수 있는 모니터링시스템을 구축하는 것으로 목적으로 삼고 있다.
원자력 발전소나 플랜트에서의 배관망처럼 작업자의 접근이 어려운 상태에서, 배관망의 밸브, 필터, 실린더 등과 같은 요소의 작동이 전기적으로는 정상적이지만 기계적으로 고장이 났을 때 감지할 수 있는 방법이 없다. 본 연구에서는 이러한 상황에 대처하기 위하여 원격 비접촉식으로 배관의 아주 미세한 진동을 감지함으로써 배관망의 기계적 고장을 진단할 수 있는 기술을 개발하고자 하는 것이 연구의 목적으로 삼았다. 세부적 성과로서는 다음으로 정리될 수 있다.
Jeon 등(5)은 진동측정대상을 원격으로 진단하기 위하여 비접촉식 원격 미세변위 측정 및 배관시스템의 실시간 작동상태를 진단할 수 있는 기술을 개발하여 보고한 바 있다. 이 연구에서는 원격카메라 영상으로부터 얻어진 목표물의 미세진동 변위를 인공 신경망에 학습시켜 목표물의 작동 상태를 모니터링할 수 있는 기술을 보고하고 있다. 그런데, 이 연구에서는 미세진동 변위 데이터에 대한 FFT(fast fourier transform) 변환하여 얻어지게 되는 탁월주파수(representative frequency)를 인공신경망(6)의 학습 데이터로 이용하는 관계로, 이를 계산하기 위해 소요되는 시간지연으로 인해 한 템포(tempo) 느린 실시간, 즉 준(pseudo) 실시간(real-time)이라는 제약을 지니고 있다.
현재는 단거리(170mm)에 국한되어 비접촉식으로 배관망의 작동상태를 실시간으로 진단할 수 있는 인공신경망 기반의 모니터링 시스템이지만 향후 원거리에서도 가능한 시스템으로 구축하고자 한다.
제안 방법
구축된 배관시스템 모니터링 시스템을 적용하기 전에, 먼저 두 대의 휴대폰(model 1, model 2) 을 진동모드로 작동할 때의 구축된 시스템의 모니터링 성능을 검증하였다. 미세진동 감지가 가능하도록 Fig.
기존의 진동측정 방식인 푸리에변환을 이용하는 비실시간 방식과 달리 측정대상의 실시간의 미세진동의 가속도 성분을 이용하여 배관망에 대한 실시간 작동상태 진단을 구현하였다.
이는 model 1의 경우에서와 마찬가지로 실시간의 임의의 개수의 학습데이터를 평균 한 값이 실시간 진단 (diagnosis)에 유리함을 의미한다. 따라서 학습데이터용 평균을 위한 개수를 10개에서부터 200개까지 10씩 증가시켜가면서 모니터링 성능을 평가하였다. Fig.
2에 나타나 있는 바와 같이 교정판 (calibration target)을 휴대폰에 부착하였고, 카메라와의 거리를 170mm로 한정하였다. 매크로렌즈 (macro lens)와 조명을 사용함으로써 고해상의 영상이 획득되도록 하였다. 총 4225장의 연속적인 고속카메라(500Hz) 영상인 8.
시스템에 대한 모니터링 조건으로서, (1)valve가 close되어 cylinder에 공기가 전혀 공급되고 있지 않을 때, 즉 cylinder가 작동하지 않을 때와 (2)valve가 open작동되어 cylinder에 공급되면서 실린더가 작동되고 있을 때, 즉 공기의 흐름이 발생하게 될 때에 실시간 모니터링을 실시하였다. Fig.
이상과 같은 방식으로 목표물의 미세진동에 의한 이동량(Δx,Δy)을 고속카메라(500Hz) 영상으로 얻어낸 다음, 카메라의 기록속도인 (Δt =1/500sec)을 이용하여 다음의 식(3)으로 표시되는 미세진동의 가속도의 크기를 구하였다.
인공신경망은 입력층, 중간층, 출력층으로 구성되는데 본 연구에서는 입력층의 개수를 40개부터 200개까지 변경시켰고, 중간층은 10개로 설정하였다. 인공신경망 계산을 위한 상세한 이론과 계산법은 많은 참고문헌이 있는데 Back-propagation 법 (6)을 적용하였다.
10은 실제 가스배관(공기)에 대하여 구축된 모니터링시스템을 적용하였을 때의 장치사진을 나타낸다. 전술의 모니터링 시스템 검증을 위한 휴대폰 시험 경우에서와 같이, 가스배관의 표면(그림의 원으로 표시된 inspection point부)에 Fig. 3과 같은 교정판(calibration target)을 부착하여 이를 170mm의 거리에서 매크로렌즈가 장착된 고속카메라(500Hz, 1k x 1k pixel)로 배관의 미세진동을 영상화 하였다. 이 영상을 기술한 바와 같이 구축된 입자영상유속계 및 인공신경망에 적용하였다.
매크로렌즈 (macro lens)와 조명을 사용함으로써 고해상의 영상이 획득되도록 하였다. 총 4225장의 연속적인 고속카메라(500Hz) 영상인 8.45초 동안의 영상을 사용하여 모니터링 성능을 검증하였다.
대상 데이터
)는 각각 제 1시각, 2시각 및 3시각에서의 동일 목표물의 영상을 나타낸다. 이상과 같은 과정을 거쳐 구해진 목표물의 미세 진동에 의한 가속도 데이터는 전술한 바와 같이 인공신경망의 학습에 사용되었다. Fig.
데이터처리
즉, 순차적으로 한 개의 데이터를 밀어내기 하듯이 학습시켰다. 학습을 위한 데이터는 식 (3)에서 구해지는 가속도데이터를 사용하였는데, 매번 N개의 학습데이터 중에서 최솟값 (min), 최댓값(max) 및 평균값(mean)을 각각 사용하였고, 이들 값들에 있어서의 인공신경망에 의한 모니터링 특성을 확인하였다.
이론/모형
미세진동은 매우 높은 주파수로 진동하여 불규칙한 좌표 이동을 하게 되므로 연속적인 카메라 영상상에서 동일한 목표물이 어디로 이동하였는지 찾아내기란 용이하지 않다. 본 연구에서는 Utami 등(7)과Kimura 등(8)이 적용한 계조치상호상관법(gray level cross-correlation method)에 의거한 아래 식 (2)를 적용하였다.
유체유동의 속도장 측정법인 입자영상유속계(particle image velocimetry) 기술과 인공신경망(artificial neural network) 이론을 적용하여 배관망의 실시간 작동상태 진단이 가능하였다.
영상 데이터를 취급함에 있어 벡터의 종점을 정함에 있어 픽셀 해상도에 의존함으로 상하좌우방향으로 최대 ±1픽셀의 불확실성분이 존재한다. 이를 보완하기 위해 본 연구에서는 측정 픽셀의 좌우상하 픽셀의 밝기정보로 2차 곡선에 fitting함으로써 1픽셀 이내의 오차로 종점을 결정하는 서브픽셀보간법(9)을 사용한다.
인공신경망은 입력층, 중간층, 출력층으로 구성되는데 본 연구에서는 입력층의 개수를 40개부터 200개까지 변경시켰고, 중간층은 10개로 설정하였다. 인공신경망 계산을 위한 상세한 이론과 계산법은 많은 참고문헌이 있는데 Back-propagation 법 (6)을 적용하였다. 입력층의 개수를 N으로 하였을 때, 최초에 사용한 학습용의 입력데이터는 1~N번을 사용하였고, 이어서 2~(N+1)번의 데이터를 사용하였다.
성능/효과
본 연구에서 구축된 배관망의 작동상태 진단에 있어서, 인공신경망의 출력층 학습에는 가속도 데이터의 50개의 평균값을 이용하는 것이 안정적이고 명확한 진단에 유리함을 확인하였다.
지면 제약상 비교가 될 만한 결과만을 나타내었는데, 입력층 데이터의 개수가 50개일 때가 가장 안정적이면서 데이터의 리플(ripple)성분도 선명함이 확인될 수 있다. 이는 인공신경망을 이용한 실시간 모니터링을 위해서는 측정대상의 특징에 따라 다를 수 있겠지만, 본 연구에서는 출력층 학습에 필요한 입력데이터 평균을 위한 개수가 50개가 최적임이 확인되었다.
9(c)는 각각 40개, 50개, 100개의 입력데이터의 평균이 출력층 학습데이터로 사용되었을 때의 출력값 변화를 나타낸다. 지면 제약상 비교가 될 만한 결과만을 나타내었는데, 입력층 데이터의 개수가 50개일 때가 가장 안정적이면서 데이터의 리플(ripple)성분도 선명함이 확인될 수 있다. 이는 인공신경망을 이용한 실시간 모니터링을 위해서는 측정대상의 특징에 따라 다를 수 있겠지만, 본 연구에서는 출력층 학습에 필요한 입력데이터 평균을 위한 개수가 50개가 최적임이 확인되었다.
6의 입력층에 사용된 학습값과 다른 형태임을 알 수 있는데, 이는 실시간으로 입력되는 신호에 대하여 출력층이 서로 다르게 구분해 낼 수 있음을 시사한다. 최댓값, 평균값, 최솟값으로 학습시켰을 때의 출력층의 값 중, 평균값으로 학습시키는 것이 가장 안정적이고 명확한 결과를 보이고 있음을 알 수 있는데, 이는 실시간의 임의의 개수의 학습데이터를 평균한 값이 실시간 진단(diagnosis)의 신뢰성 확보에 유리함을 시사한다.
질의응답
핵심어
질문
논문에서 추출한 답변
스펙클패턴법의 특징은?
기계설비의 진동을 카메라 영상을 이용하여 비접촉식 측정을 한 대표적 사례로서 스펙클패턴 (speckle pattern)법(2)이 있는데, 이 방법은 측정시스템의 정교한 설치가 필요할 뿐만 아니라 진동 모드 데이터를 얻기 위한 영상처리에 소요되는 시간이 길어 설비나 설비에 연결된 배관의 실시간 진동 측정에 제약이 따른다. 구조물의 변형과 응력과의 상관관계를 측정할 수 있는 디지털영상 상관법(5)이 있는데, 이 방법 또한 고유진동수와의 상관관계 계산에 소요되는 시간이 길어, 기계설비나 배관의 진동상태를 실시간으로 모니터링하기에는 제약이 따른다.
배관시스템의 작동 상태 진단을 위한 모니터링 시스템은 어떻게 나뉘어지는가?
크게 3부분으로 나누어진다. 진단대상물인 목표물 혹은 배관시스템, 비접촉식측정시스템 그리고 인공신경망으로 나뉜다. 목표물로부터의 미세진동을 카메라로 되어 있는 비접촉식 측정시스템이 감지하고, 감지된 미세진동에 의한 변위는 인공신경망에서 실시간으로 학습이 된다. 학습된 미세진동은 초기에는 임의의 미세변위 데이터로 학습이 되고 이후부터는 지속적으로 데이터베이스에 쌓이게 된다. 이후, 목표물의 진동이 평소와 다르게 나타나게 되면 인공신경망은 이상신호(논리신호 ‘1’)를 발생시킨다.
디지털영상 상관법이 가지는 문제점은 무엇인가?
기계설비의 진동을 카메라 영상을 이용하여 비접촉식 측정을 한 대표적 사례로서 스펙클패턴 (speckle pattern)법(2)이 있는데, 이 방법은 측정시스템의 정교한 설치가 필요할 뿐만 아니라 진동 모드 데이터를 얻기 위한 영상처리에 소요되는 시간이 길어 설비나 설비에 연결된 배관의 실시간 진동 측정에 제약이 따른다. 구조물의 변형과 응력과의 상관관계를 측정할 수 있는 디지털영상 상관법(5)이 있는데, 이 방법 또한 고유진동수와의 상관관계 계산에 소요되는 시간이 길어, 기계설비나 배관의 진동상태를 실시간으로 모니터링하기에는 제약이 따른다. 한편, 진동측정 데이터에 대하여 시간평균 실시간 필터를 사용하는 방법인 시간영역 평균법은 시간 동기화 평균법(time synchronous averaging)이라고도 하는데,(3)진동측정데이터와 진동발생원과의 동기화를 시켜야하는 관계로 진동원으로부터의 노이즈발생 억제가 어려울 뿐만 아니라 비접촉식 측정에는 적합하지 않다.
참고문헌 (9)
Adrian, R. J., 1991, "Particle-Imaging Techniques for Experimental Fluid Mechanics," Ann. Rev. J. Fluid Mech., Vol.23, pp.261-304.
Machida, K., Okamura, H., Hirano, T. and Usui, K., 2001, "Stress Analysis of Mixed-Mode Crack of Homogeneous and Dissimilar Materials by Speckle Photography," Transactions of the Japan Society of Material Engineers, Vol. 67, No. 655, pp.86-91.
Braun, S., 1975, "The Extraction of Periodic Waveforms by Time Domain Averaging," Acustica, Vol. 32, No. 2, pp.69-77.
Shin, K. H., "Realization of the Real-Time Domain Averaging Method using the Kalman Filter," International Journal of Precision Eng. and Manufacturing, Vol. 12, No. 3, pp.413-418.
Jeon, M. G., Cho, G. R., Oh, J. S., Lee, C. J. and Doh, D. H., 2013, "Measurements of Remote Micro Displacements of the Piping System and a Real Time Diagnosis on Their Working States Using a PIV and a Neural Network," Trans. of the Korean Hydrogen and New Energy Society, Vol. 24, No. 3, pp. 264-274.
Rumelhart, D. E., Hinton, G. E. and Williams, R. J., 1986, "Learning representations by back-propagating errors," Nature, pp. 323-333.
Utami, T. and Blackwelder, R. A., 1991, "A Cross Correlation Technique for Velocity Field Extraction from Particulate Visualization," Exp. in Fluids, Vol.10, pp.213-223.
Kimura, I., Takamori, T. and Inoue, T., 1986, "Image Processing Instrumentation of Flow by using Correlation Technique," Journal of Flow Visualization and Image Processing, Vol. 6, No.22, pp.105-108.
Nobach, H. and Bodenschatz, E., 2009, "Limitations of Accuracy in PIV due to Individual Variations of Particle Image Intensities," Exp. in Fluids, Vol. 47, pp. 27-38.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.