[논문]회전기계류 상태 실시간 진단을 위한 IoT 기반 클라우드 플랫폼 개발

정해동; 김수현; 우선희; 김송현; 이승철

doi:10.3795/ksme-a.2017.41.6.517

회전기계류 상태 실시간 진단을 위한 IoT 기반 클라우드 플랫폼 개발
Real-time Monitoring System for Rotating Machinery with IoT-based Cloud Platform 원문보기

大韓機械學會論文集. Transactions of the Korean Society of Mechanical Engineers. A. A, v.41 no.6, 2017년, pp.517 - 524

정해동 (울산과학기술원, 제어설계공학과) , 김수현 (울산과학기술원, 제어설계공학과) , 우선희 (울산과학기술원, 제어설계공학과) , 김송현 (울산과학기술원, 제어설계공학과) , 이승철 (울산과학기술원, 제어설계공학과)

초록
AI-Helper

스마트 팩토리 시대가 열리면서 발전 플랜트에서 발생하는 빅데이터를 활용한 설비 유지 보수 방법론이 부각되고 있다. 본 연구에서는 데이터 기반 방법론의 효과적인 적용과 발전 플랜트 실시간 성능 모니터링을 위해 사물인터넷 기반 클라우드 플랫폼을 제안한다. Short-term Analysis에서는 사물인터넷 센서를 이용하여 학습된 건전성 인자와 패턴 비교를 통해 설비의 상태 진단과 결과 전송을 목적으로 한다. Long-term Analysis는 취합된 고차원 데이터를 활용하여 설비간 관계 파악과 인과관계 확인을 통한 트렌드 분석을 목적으로 한다. 분석 및 진단 결과는 클라우드 플랫폼의 웹 기반 시스템을 통해 시각화하여 사용자의 접근성을 향상시켜 장소나 접속 기기에 상관없이 데이터를 확인할 수 있도록 한다. 개발된 플랫폼의 성능 검증은 회전기계류 테스트베드로 진행한다.

Abstract ▼ AI-Helper

The objective of this research is to improve the efficiency of data collection from many machine components on smart factory floors using IoT(Internet of things) techniques and cloud platform, and to make it easy to update outdated diagnostic schemes through online deployment methods from cloud resources. The short-term analysis is implemented by a micro-controller, and it includes machine-learning algorithms for inferring snapshot information of the machine components. For long-term analysis, time-series and high-dimension data are used for root cause analysis by combining a cloud platform and multivariate analysis techniques. The diagnostic results are visualized in a web-based display dashboard for an unconstrained user access. The implementation is demonstrated to identify its performance in data acquisition and analysis for rotating machinery.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

(1) 따라서, 본 논문에서는 사물인터넷(IoT)과 클라우드 플랫폼을 활용하여 데이터 취득 시스템 구축에 유동성을 부여하고 결함 진단을 위한 데이터의 효율적 활용 방법을 제시한다.
설비의 안정성이 특히 중요한 발전 플랜트의 회전기계류의 경우, 데이터 기반 설비 유지 보수 방법인 기계학습 알고리즘을 활용한 많은 연구가 진행되고 있다. 따라서, 본 논문에서는 기계학습을 기반으로 한 회전기계류 고장 진단 알고리즘을 사물인터넷과 클라우드 플랫폼을 이용해 개발, 구현한 사례를 설명한다.
⁽⁹⁾ 사용자는 웹사이트를 통해 접근할 수 있을 뿐만 아니라 모바일 디바이스를 통해서도 현재 취득되고 있는 데이터를 확인할 수 있다. 본 논문에서는 Fig. 3과 같이IBM사의 Bluemix를 이용하여 웹 서버를 구축하고 연결된 IoT의 데이터를 받아 실시간으로 그래프를 시각화할 수 있도록 구현하였다.⁽¹⁰⁾
또한 기존 기계학습을 이용한 설비 진단기술의 경우, 학습데이터를 통해 학습된 진단 메커니즘의 변경에 취약하다는 약점이 있다. 본 논문에서는 사물인터넷과 클라우드 플랫폼을 활용하여 회전기계류 실시간 진단 시스템을 구현함으로써 기존의 단점을 보완하고, 데이터 기반 결함 진단 메커니즘이 효과적으로 적용될 수 있도록 한다.
본 논문에서는 시그널링크사의 회전기계류 테스트베드의 모니터링을 목적으로 Wi-fi 모듈이 장착된 Particle사의 Photon을 마이크로 컨트롤러로 사용하고 가속도계를 장착하여 주파수 영역에서 기계학습 알고리즘을 적용할 수 있도록 구현하였다. 취득된 고장모드로는 정상 상태, 불평형 상태, 축 정렬 불량 상태가 있으며 IoT센서는 Fig.
본 논문에서는RBF 커널을 활용할 수 있는 분류모델로서 서포트 벡터 머신과 로지스틱 회귀분석을 적용해 보았다.
클라우드 자원을 활용하여 IoT센서로부터 전송받은 데이터를 시각화하고 저장하여 향후 설비고장의 인과관계 분석을 목표로 한다.

제안 방법

IoT와 센서의 결합을 통해 기존의 데이터 중앙집중적 시스템을 탈피하여 센서 단독 시스템을 구축하고 인터넷을 통해 클라우드 서버와 네트워크망을 형성한다. IoT센서는 측정 대상에 따라 다양한 센서(온도, 습도, 가속도계, 카메라 등) 결합이 가능하고 마이크로 컨트롤러를 선택할 수 있다.
회전기계류의 특성인자 벡터인 조화성분 진폭값은 1차원 그래프로 표현하여 시간에 따른 진폭 변화를 나타냈고, 소프트맥스의 결과값을 막대 그래프로 표현하여 현재 설비 상태가 특정 고장 상태일 확률을 표시하였다. 또한 설비 상태를 특성인자 공간으로 매핑하고 그 점의 색을 시간에 따라 변화시킴으로써 관측하고있는 설비의 트렌드 분석을 가능하도록 하였다.
기계학습에 기반한 설비 성능 모니터링이 기존의 동적해석을 통한 모니터링과 가장 큰 차이점은 시스템의 동적해석이 아닌 데이터로 설비 상태를 판단한다는 것이다. 모니터링 기술에 통계적 기법을 더함으로써 복잡한 기계시스템을 직접 해석할 필요 없이 데이터에 기반한 기계학습 알고리즘을 구축한 뒤, 학습된 모델이 스스로 설비의 건강 상태를 파악할 수 있도록 한다. 일반적으로 기계학습을 적용하는 절차는 다음 4단계로 나눌 수 있다.
사물인터넷 센서로부터 전송 받은 데이터를 시각화하여 Fig. 14처럼 웹을 통해 관측되고 있는 값을 확인할 수 있도록 하였다. 회전기계류의 특성인자 벡터인 조화성분 진폭값은 1차원 그래프로 표현하여 시간에 따른 진폭 변화를 나타냈고, 소프트맥스의 결과값을 막대 그래프로 표현하여 현재 설비 상태가 특정 고장 상태일 확률을 표시하였다.
실시간 상태 모니터링 플랫폼을 구현하기 위해 하드웨어와 소프트웨어로 범위를 나누어 진행하였으며, 각각의 범위에서 개발 및 구축의 목표는 Table 1과 같다.
테스트베드에서 실험 가능한 고장모드를 고려하여 조화성분(1X rpm, 2X rpm)의 진폭을 특성인자로 선정하였다. 추출된 특성인자를 기준으로 각각의 고장모드에 대해서 특성인자 공간을 형성하였다. Fig.
데이터를 서버로 보낸 후에 알고리즘을 적용하는 기존 진단 방식과 다르게 short-term 분석에서는 IoT센서에 기계학습 알고리즘을 적용하여 설비 개별의 상태를 센서 레벨에서 진단할 수 있다. 학습 데이터로부터 생성된 알고리즘이 IoT 센서에 프로그래밍되어, 건전성 인자간 패턴을 확인하고 설비 상태를 진단하여 그 결과를 클라우드 서버로 전송한다. 센서에서 취득된 데이터를 직접 전송하는 것이 아니라 설비 정보 압축을 통한 통신 메시지 경량화이기 때문에 디바이스 간 통신에 유리하다(less communication traffic).
- 수명 예측: 확률론적 방법을 이용한 기기 상태의 예측 및 잔존유효수명(remaining useful life)예측이다. 현재 기기 상태를 기반으로 향후 상태가 어떤 식으로 변해갈지 확률론적 기법을 통해 예측한다.
14처럼 웹을 통해 관측되고 있는 값을 확인할 수 있도록 하였다. 회전기계류의 특성인자 벡터인 조화성분 진폭값은 1차원 그래프로 표현하여 시간에 따른 진폭 변화를 나타냈고, 소프트맥스의 결과값을 막대 그래프로 표현하여 현재 설비 상태가 특정 고장 상태일 확률을 표시하였다. 또한 설비 상태를 특성인자 공간으로 매핑하고 그 점의 색을 시간에 따라 변화시킴으로써 관측하고있는 설비의 트렌드 분석을 가능하도록 하였다.

이론/모형

하지만 로지스틱 회귀분석처럼 클래스에 속할 확률을 계산할 수 없는 단점이 있다. 학습 데이터에 대한 두개의 모델 분류 성능은 차이가 거의 없고, 높은 고조파진동이 대게 축정렬 불량을 원인으로 한다는 회전기계류 역학을 고려했을 때 본 논문에서는 로지스틱 회귀분석 분류 모델을 사용하였다.

성능/효과

(9) 사용자는 웹사이트를 통해 접근할 수 있을 뿐만 아니라 모바일 디바이스를 통해서도 현재 취득되고 있는 데이터를 확인할 수 있다. 본 논문에서는 Fig.

후속연구

9(b)는 고장모드 별 생성된 특성인자 공간을 나타낸다. 단, 어떤 특성인자가 회전기계류 상태 모니터링에 더 좋은 인자인지 결정하는 최적화 문제는 본 논문에서 논의하지 않는다. 또한 조화 성분뿐 아니라 translational/conical mode가 원인이 되어 회전기계류 시스템에 문제를 일으킬 수도 있지만, 본 연구의 알고리즘에는 반영되어 있지 않다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사물인터넷은 무엇인가?	사물인터넷은 각종 사물에 센서와 통신 기능을 내장하여 인터넷에 연결하는 기술을 의미한다. 컴퓨팅 파워의 발전과 많은 데이터를 처리하는 빅데이터 기술의 등장으로 사물인터넷의 효용성과 가치가 점점 증가하고 있는 추세이다.
	사물인터넷 산업의 기술은 어떻게 나눌 수 있는가?	컴퓨팅 파워의 발전과 많은 데이터를 처리하는 빅데이터 기술의 등장으로 사물인터넷의 효용성과 가치가 점점 증가하고 있는 추세이다.(2) 사물인터넷 산업의 기술은 하드웨어와 소프트웨어로 나눌 수 있으며 각 기술별로 국내외 다양한 제품들이 개발되고 있다.(3) 특히 사물인터넷의 실제 적용 대상으로서 스마트 팩토리가 최근 침체되고 있는 제조업의 경쟁력 강화의 일환으로 전 세계적으로 급격하게 부상하고 있다.

참고문헌 (14)

Lee, S. H. and Yoon, B. D., 2015, "The Future of Industry 4.0 and Prognostics and Health Management," Journal of the Korean Society for Noise and Vibration Engineering, Vol. 25, No. 1, pp. 22-28.
Kong, M. S., Chae, H. J. and Yu, B. H., 2016, "The Technology Tendency and Vision of IoT," Journal of the KSME, Vol. 56, No. 2, pp. 32-36.
Gubbi, J., Buyya, R., Marusic, S. and Palaniswami, M., 2013, "Internet of Things (IoT): A Vision, Architectural Elements, and Future Directions," Future Generation Computer Systems, Vol. 29, No. 7, pp. 1645-1660.

상세보기
Lee, D. S., 2015, "The Advent of Smart Factory and IoT Sensor," Process Control Instrumentation Technology, No. 6, pp. 81-85.
Duda, R. O., Peter, E. H. and David, G. S., 2012, "Pattern Classification," John Wiley & Sons, USA, 2nd edition.
Widodo, A. and Yang, B. S., 2007, "Support Vector Machine in Machine Condition Monitoring and Fault Diagnosis," Mechanical Systems and Signal Processing, Vol. 21, No. 6, pp. 2560-2574.

상세보기
Kankar, P. K., Sharma, S. C. and Harsha, S. P., 2011, "Fault Diagnosis of Ball Bearings using Machine Learning Methods," Expert Systems with Application, Vol. 38, No. 3, pp. 1879-1886.
Duan, K., Keerthi, S. S., Chu, W., Shevade, S. K. and Poo, A. N. 2003. "Multi-category Classification by Softmax Combination of Binary Classifiers," In International Workshop on Multiple Classifier Systems, Springer Berlin Heidelberg. pp. 125-134.
Jung, H. and Park, C. W., 2015, "Design and Implementation of MQTT Based Real-time HVAC Control Systems," Journal of the Korea Institute of Information and Communication Engineering, Vol. 19, No. 5, pp. 1163-1172.

원문보기 상세보기
IBM Bluemix, http://www.ibm.com/cloudcomputing/bluemix/.
Kim, D. E., Kim, S. W. and Kwon, S. K., 2015, "Real-Time Transmission System for Greenhouse Information Using MQTT and RTSP," Journal of Korea Multimedia Society, Vol. 18, No. 8, pp. 935-942.

원문보기 상세보기
Lee, B. J., 1998, "Vibration and Maintenance Handbook," KEPCO, pp. 18-36.
Lee, B. J., 1998, "Vibration and Maintenance Handbook," KEPCO, pp. 401-413.
Cawley, G. C., Talbot, N. L. and Girolami, M., 2007, "Sparse Multinomial Logistic Regression via Bayesian $L_1$ Regularization," Advances in Neural Information Processing Systems, Vol. 19, pp. 209-216.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증