초록 ▼

본 발명은 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다. 보다 상세하게는, 회전기계에서 검출된 진동신호로부터 추출되는 특징벡터의 변별력을 향상시킬 수 있도록 시간차에 따른 진동신호의 특징을 고려하여 진동신호 특징벡터의 차원을 확장 및 축소하고, 진동패턴의 형태에 따라 진동패턴의 클러스터를 그룹화하며, 그룹화된 진동패턴클러스터를 이용하여 기계학습에 의해 진동예측모델을 생성한 후, 생성된 진동예측모델에 실시간 진동 데이터를 적용하여 회전기계의 고장진단과 예측을 위한 신뢰성을 향상시킬 수 있는 기계학습을 이용한 회전

본 발명은 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다. 보다 상세하게는, 회전기계에서 검출된 진동신호로부터 추출되는 특징벡터의 변별력을 향상시킬 수 있도록 시간차에 따른 진동신호의 특징을 고려하여 진동신호 특징벡터의 차원을 확장 및 축소하고, 진동패턴의 형태에 따라 진동패턴의 클러스터를 그룹화하며, 그룹화된 진동패턴클러스터를 이용하여 기계학습에 의해 진동예측모델을 생성한 후, 생성된 진동예측모델에 실시간 진동 데이터를 적용하여 회전기계의 고장진단과 예측을 위한 신뢰성을 향상시킬 수 있는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다.이를 위해 본 발명은 회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서; 가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부; 특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부; 특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하는 패턴매칭클러스터그룹부; 패턴매칭클러스터그룹부에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하기 위해 PCA를 포함한 차원축소기법을 이용하여 특징벡터확장부에 의해 확장된 특징벡터의 차원을 축소하는 특징벡터차원축소부; 및 특징벡터차원축소부를 통해 차원이 축소되어 변환된 특징벡터를 확률함수 기반으로 구현된 기계 학습 알고리즘을 이용하여 고장 진단 및 예측을 위한 모델을 생성하는 진단예측모델생성부를 포함하는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템을 제공한다.

대표청구항 ▼

회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서;가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부;특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부;특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하

회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서;가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부;특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부;특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하는 패턴매칭클러스터그룹부;패턴매칭클러스터그룹부에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하기 위해 PCA를 포함한 차원축소기법을 이용하여 특징벡터확장부에 의해 확장된 특징벡터의 차원을 축소하는 특징벡터차원축소부; 및특징벡터차원축소부를 통해 차원이 축소되어 변환된 특징벡터를 확률함수 기반으로 구현된 기계학습알고리즘을 이용하여 고장 진단 및 예측을 위한 모델을 생성하는 진단예측모델생성부를 포함하고,특징벡터구성부에서 구성된 기본특징벡터는 기본주파수와 크기 성분은 2차원으로 구성되고, 하모닉주파수와 크기 성분은 8차원으로 구성되며, 오버올에니지, 변위, 속도, 가속도 성분은 3차원으로 구성되어 전체가 13차원으로 구성되는 것을 포함하며,특징벡터확장부에서는 특징벡터구성부에서 속도에 해당하는 델타성분, 가속도에 해당하는 델타-델타 성분을 구해 39차원으로 기본특징벡터를 확장하는 것을 포함하고,진동신호의 분석을 위해 가속도센서에서 계측한 진동신호를 증폭하는 증폭기를 포함하고, 증폭기에서 샘플링되어 증폭된 진동신호는 유선 또는 무선통신망을 통해 특징벡터구성부로 전송되는 것을 포함하며,진단예측모델생성부에서 확률함수 기반의 기계학습알고리즘으로 구현되는 진단예측모델은 확률함수에 진동패턴에 관한 데이터를 패턴매칭클러스터그룹부에서 그룹화된 각 패턴매칭클러스터에 한 번씩 대입하여 매칭시키며 기계학습을 진행하고, 학습결과에 결정이론을 적용하여 진동패턴의 데이터를 분석하여 진단 결과를 도출하는 것을 포함하는, 기계학습을 이용한 회전기계 고장 진단 및 예측시스템.