Deprecated: The each() function is deprecated. This message will be suppressed on further calls in /home/zhenxiangba/zhenxiangba.com/public_html/phproxy-improved-master/index.php on line 456
WO2022260221A1 - 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 - Google Patents
[go: Go Back, main page]

WO2022260221A1 - 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 - Google Patents

진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 Download PDF

Info

Publication number
WO2022260221A1
WO2022260221A1 PCT/KR2021/016634 KR2021016634W WO2022260221A1 WO 2022260221 A1 WO2022260221 A1 WO 2022260221A1 KR 2021016634 W KR2021016634 W KR 2021016634W WO 2022260221 A1 WO2022260221 A1 WO 2022260221A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
vibration
measurement error
vibration data
extracted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2021/016634
Other languages
English (en)
French (fr)
Inventor
김민호
김대웅
예송해
이원규
김주식
문병석
강신규
최병근
유현탁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ATG Co Ltd
Korea Hydro and Nuclear Power Co Ltd
Gyeongsang National University GNU
Original Assignee
ATG Co Ltd
Korea Hydro and Nuclear Power Co Ltd
Gyeongsang National University GNU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ATG Co Ltd, Korea Hydro and Nuclear Power Co Ltd, Gyeongsang National University GNU filed Critical ATG Co Ltd
Priority to JP2023576190A priority Critical patent/JP7583191B2/ja
Priority to CN202180099247.1A priority patent/CN117480461A/zh
Priority to US18/568,732 priority patent/US20240271990A1/en
Priority to EP21945288.5A priority patent/EP4354241A4/en
Publication of WO2022260221A1 publication Critical patent/WO2022260221A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
    • G01H1/08—Amplitude
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37351—Detect vibration, ultrasound
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37435—Vibration of machine
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Definitions

  • the present invention relates to a vibration measurement error determination method and a vibration error determination system using the same, and more particularly, to a vibration measurement error determination method for detecting whether measurement error data is included in vibration data and a vibration error determination using the same It's about the system.
  • the current state of the structure and the state of the structure in the near future can be predicted by measuring the vibration generated in the structure.
  • vibration of facilities is measured using a mobile vibration measuring device for facility management.
  • incorrect vibration measurement data may be collected due to a measurer's inexperience in using the equipment, negligence in management of the measurement equipment, or external signal interference.
  • (a) and (b) are measurement data including noise due to residual stress after an impact occurs in a sensor that detects vibration, and (c) is noise of an impact waveform due to problems such as sensor attachment. , and (d) is measurement data including noise due to sensor and/or cable failure.
  • vibration data including measurement error data generated in the vibration measurement process deteriorates reliability of diagnosis even if specialized machine learning is used to analyze the state of the vibrating structure.
  • An object to be solved by the present invention is to provide a vibration measurement error determination method for detecting whether measurement error data is included in vibration data and a vibration error determination system using the same.
  • a vibration measurement error determination method for solving the above problems includes a vibration data acquisition step of acquiring vibration data by measuring vibration generated in a structure, and the vibration data based on a preset error data selection rule.
  • a first determination step of determining whether the vibration data is due to a measurement error a second determination step of determining whether the vibration data is due to a measurement error using a machine learning algorithm, and in the first determination step and the second determination step and a final judgment step of determining whether the vibration data is caused by a measurement error based on the determined result.
  • the error data selection rule may determine whether the vibration data is due to a measurement error based on a difference between an amplitude value of a low frequency region extracted from the vibration data and a threshold value.
  • the low-frequency region may include a region of 3 Hz or less.
  • the threshold may be 0.6 mm/s.
  • the machine learning algorithm extracts a plurality of sample data from the vibration data, extracts feature information for determining a measurement error from the extracted plurality of sample data, and determines the vibration data as a measurement error based on the extracted feature information. It can be determined whether or not
  • the feature information may be extracted through principal component analysis from candidate feature information extracted from a plurality of sample data.
  • the machine learning algorithm may extract the feature information for each sample data, cluster the sample data based on the feature information, and determine whether the vibration data is due to a measurement error based on a clustering result. .
  • a vibration error determination system for solving the above problems is a data acquisition unit that acquires vibration data by measuring vibration generated in a structure, and the vibration data is measured based on a preset error data selection rule.
  • a first determination unit that determines whether the vibration data is due to an error
  • a second determination unit that determines whether the vibration data is due to a measurement error by using a machine learning algorithm, and the vibration data determined in the first and second determination steps and a final determination unit that determines whether the vibration data is due to a measurement error based on the result.
  • the error data selection rule may determine whether the vibration data is due to a measurement error based on a difference between an amplitude value of a low frequency region extracted from the vibration data and a threshold value.
  • the low-frequency region may include a region of 3 Hz or less.
  • the threshold may be 0.6 mm/s.
  • the machine learning algorithm extracts a plurality of sample data from the vibration data, extracts feature information for determining a measurement error from the extracted plurality of sample data, and determines the vibration data as a measurement error based on the extracted feature information. It can be determined whether or not
  • the feature information may be extracted through principal component analysis from candidate feature information extracted from a plurality of sample data.
  • the machine learning algorithm may extract the feature information for each sample data, cluster the sample data based on the feature information, and determine whether the vibration data is due to a measurement error based on a clustering result. .
  • vibration data which is basic data of predictive diagnosis
  • FIG. 1 is a flowchart illustrating a method for determining a vibration measurement error according to an embodiment of the present invention.
  • FIG. 2 is a flowchart for explaining the first judgment step of FIG. 1 .
  • 3 is a graph showing an example of normal vibration data.
  • FIG. 4 is a graph illustrating an example of vibration data including measurement errors.
  • 5 is a graph illustrating expert judgment results for sample vibration data.
  • FIG. 6 is a flowchart for explaining the second judgment step of FIG. 1 .
  • FIG. 7 and 8 are graphs illustrating clustering results obtained by determining sample vibration data according to the second determination step.
  • FIG. 9 is a block diagram illustrating a vibration measurement error determination system according to an embodiment of the present invention.
  • 10 is a graph illustrating examples of vibration data including measurement errors.
  • FIG. 1 is a flowchart illustrating a method for determining a vibration measurement error according to an embodiment of the present invention.
  • a vibration measurement error determination method includes a vibration data acquisition step (S10), a first determination step (S20), a second determination step (S30), and a final determination step (S40). ).
  • vibration data is obtained by measuring vibrations generated in the structure.
  • Vibration data may be obtained using a mobile vibration measuring device or obtained from a database (DB) in which vibration data is stored.
  • the structure may be a structure including a rotary device that operates while rotating. As the rotating machine operates, vibration occurs in the structure. By measuring the vibration, the current state of the structure and rotating machine can be diagnosed. can do.
  • the vibration measurement error determination method according to an embodiment of the present invention can obtain vibration data for various facilities used in nuclear power plants and can be used for facility management of nuclear power plants.
  • the first determination step ( S20 ) it may be determined whether data due to measurement errors is included in the vibration data acquired in the vibration data acquisition step ( S10 ) based on a preset error data selection rule. A more detailed description of this will be described later.
  • the vibration data obtained in the vibration data acquisition step (S10) includes data due to a measurement error, based on a criterion different from the judgment criterion of the first judgment step (S20).
  • the vibration data obtained in the vibration data acquisition step ( S10 ) includes data due to a measurement error by using a machine learning algorithm. A more detailed description of this will be described later.
  • the vibration data acquired in the vibration data acquisition step (S10) based on the result determined in the first judgment step (S20) and the result determined in the second judgment step (S30) are determined by a measurement error. Finally, it is determined whether the data is included or not.
  • only vibration data determined to have no measurement error in both the first determination step (S20) and the second determination step (S30) may be determined to have no measurement error.
  • the vibration data determined to have no measurement error in any one of the first determination step (S20) and the second determination step (S30) may be determined to have no measurement error.
  • FIG. 2 is a flowchart for explaining the first judgment step of FIG. 1 .
  • the first determination step (S20) includes extracting time waveform data (S21), fast Fourier transform (S22), extracting vibration values in a low frequency region (S23), and comparing vibration values with a threshold value. It may include step S24 and measurement error determination step S25.
  • vibration data of a time wave form is extracted from the vibration data obtained in the vibration data acquisition step (S10).
  • the vibration data acquired in the vibration data acquisition step (S10) is time wave form data
  • the time wave data extraction step (S21) may be omitted.
  • vibration data of a time waveform is converted into a frequency domain.
  • the vibration data of the time waveform may be sampled and then converted into a frequency domain.
  • FFT Fast Fourier transform
  • FFT Fast Fourier transform
  • step S23 of extracting the vibration value of the low frequency domain a vibration value (amplitude value) of the low frequency domain is calculated and extracted from the vibration data converted to the frequency domain.
  • FIG. 3 is a graph showing an example of normal vibration data
  • FIG. 4 is a graph showing an example of vibration data including a measurement error.
  • the vibration data including the measurement error has a large amplitude in the low frequency region of 3 Hz or less compared to the normal vibration data, and it can be confirmed that the Ski-Slope phenomenon is observed in the low frequency band.
  • the low-frequency region may be set to a frequency region of 3 Hz or less.
  • the vibration value of the low frequency region extracted in the step of extracting the vibration value of the low frequency region (S23) is compared with the threshold value.
  • the present applicant measured vibration data at 1,811 points for 248 facilities of Hanbit 3 Power Plant Units 5 and 6, and for a total of 10,634 sample vibration data, Discrimination was performed on vibration data containing measurement errors.
  • 5 is a graph illustrating expert judgment results for sample vibration data.
  • FIG. 5 there are many normal vibration data in a low-frequency region (region of 0.006 in/s or less), and normal vibration data and measurement error in a region where the amplitude of the low-frequency region is 0.007 to 0.026 in/s. It can be seen that the vibration data including , and the vibration data including the measurement error appear in a region where the amplitude of the low frequency region is 0.013 in/s or more.
  • the threshold When the threshold was set to 0.8 mm/s, normal vibration data was not judged as data containing measurement errors, but data containing measurement errors was often judged as normal vibration data. On the contrary, the threshold was set to 0.4 mm When set to /s, the ratio of determining data containing measurement errors as normal vibration data decreases, but the ratio of determining normal vibration data as data containing measurement errors increases.
  • a ratio of determining data including measurement errors as normal vibration data and a ratio of determining normal vibration data as data including measurement errors are in a trade-off relationship according to the threshold value.
  • the threshold value (T, see FIG. 5) is set to 0.6 mm/s in order to minimize the determination of normal vibration data as data containing measurement errors and also to minimize overall misjudgment.
  • the threshold value of the low frequency amplitude for selecting vibration data containing measurement errors may be selected differently within the range of 0.4 to 0.8 mm/s according to the demand for accuracy in determining measurement errors, etc., and the threshold value is 0.4 It may be set to a value of mm/s or less, or may be set to a value of 0.8 mm/s or more.
  • the vibration value of the low frequency region extracted in the step of extracting the vibration value of the low frequency region (S23) is compared with the set threshold value to determine whether the vibration value is less than (or less than) the threshold value. It can be judged whether it is excessive (or abnormal).
  • the measurement error determination step (S25) the measurement error in the vibration data obtained in the vibration data acquisition step (S10) based on the difference between the vibration value determined in the step (S24) and the threshold value in comparing the vibration value with the threshold value It is determined whether the data due to is included.
  • the vibration value when the vibration value is less than (or less than) the threshold value, it is determined as normal vibration data, and when the vibration value exceeds (or exceeds) the threshold value, it can be determined as vibration data including data due to measurement errors. .
  • the first determination step (S20) based on the error data selection rule, that is, the difference between the vibration value and the threshold value in the low frequency region, it is determined whether the vibration data includes data due to measurement errors.
  • the error data selection rule that is, the difference between the vibration value and the threshold value in the low frequency region.
  • the vibration measurement error determination method goes through a second determination step (S30).
  • FIG. 6 is a flowchart for explaining the second judgment step of FIG. 1 .
  • the second determination step ( S30 ) it may be determined whether data due to a measurement error is included in the vibration data using a machine learning algorithm.
  • the second determination step (S30) includes a time waveform data extraction step (S31), a sample data extraction step (S32), a candidate feature information extraction step (S33), a principal component analysis step (S34), A clustering analysis step (S35) and a measurement error determination step (S36) may be included.
  • time wave data extraction step (S31) vibration data of a time wave form is extracted from the vibration data obtained in the vibration data acquisition step (S10).
  • the vibration data acquired in the vibration data acquisition step (S10) is time wave form data
  • the time wave data extraction step (S31) may be omitted.
  • At least one sample data may be extracted from the vibration data of the time waveform.
  • the number of sample data to be extracted may be variously selected depending on the embodiment, it is preferable to extract a plurality of sample data from the vibration data in order to secure the robustness of the machine learning algorithm for determining measurement errors in the vibration data.
  • the number of sample data increases, considerable resources are required for calculations for extracting feature information of the machine learning algorithm, so selection of an appropriate number of sample data is required. Considering this point, the number of sample data is appropriate to be dozens, more preferably about 20.
  • a criterion for extracting sample data may be set in various ways according to embodiments.
  • candidate feature information is extracted from the sample data extracted in the sample data extraction step (S32).
  • the candidate feature information may include first statistical information calculated from the sample data extracted in the sample data extraction step (S32) and/or time waveform extracted in the time waveform data extraction step (S31) or obtained in the vibration data acquisition step (S10). It can be extracted from the second statistical information calculated from the vibration data of .
  • the first statistical information may include root mean square (RMS), mean, variance, and standard deviation of sample data. If there are a plurality of sample data extracted in the sample data extraction step ( S12 ), the first statistical information may include RMS, average, variance, and standard deviation for each sample data.
  • RMS root mean square
  • mean mean
  • variance variance
  • standard deviation standard deviation
  • the second statistical information may include RMS, average, variance, and standard deviation of the vibration data of the time waveform.
  • Normal vibration data shows a pattern of periodically changing + and -. However, vibration data including measurement errors show low periodicity unlike normal vibration data.
  • the average value of the statistical information of the data may be an index capable of distinguishing normal vibration data from vibration data including measurement errors.
  • an RMS value may be an index representing information related to amplitude of data.
  • the variance and standard deviation of the data may be indicators that can distinguish normal vibration data having periodicity from vibration data including measurement errors having non-periodicity.
  • sample data including a measurement error has a higher variance and/or standard deviation than other sample data. Therefore, the variance and standard deviation between sample data can be indicators by which data related to measurement errors included in vibration data can be distinguished.
  • a difference in variance and/or standard deviation between the vibration data and the sample data may also be an index by which data related to a measurement error included in the vibration data can be distinguished.
  • Candidate feature information may include anomalous features of a signal form that appear relatively high in vibration data including measurement errors, features with high responsiveness to dispersion, features with low responsiveness to signals generated by defects or periodic components, and the like. have.
  • the RMS of sample data which is the first statistical information, is referred to as s_rms
  • the mean of sample data is referred to as s_mean
  • the variance of sample data is referred to as s_var
  • the standard deviation of sample data is referred to as s_std .
  • the RMS of vibration data which is the second statistical information, is referred to as d_rms
  • the average of vibration data is referred to as d_mean
  • the variance of vibration data is referred to as d_var
  • the standard deviation of vibration data is referred to as d_std.
  • the first candidate feature information may be a ratio (s_mean/s_rms) of the mean (s_mean) of the sample data to the RMS (s_rms) of the sample data.
  • the second candidate feature information may be a ratio (s_std/d_rms) of the standard deviation (s_std) of the sample data to the RMS (d_rms) of the vibration data.
  • the third candidate feature information may be a ratio (s_std/d_std) of the standard deviation (s_std) of the sample data to the standard deviation (d_std) of the vibration data.
  • the fourth candidate feature information may be a ratio (s_mean/d_var) of an average (s_mean) of sample data to a variance (d_var) of vibration data.
  • the fifth candidate feature information may be a ratio (s_mean/d_std) of an average (s_mean) of sample data to a standard deviation (d_std) of vibration data.
  • the sixth candidate feature information may be a ratio (s_mean/d_rms) of an average (s_mean) of sample data to an RMS (d_rms) of vibration data.
  • the seventh candidate feature information may be a ratio (d_mean/s_rms) of the mean (d_mean) of the vibration data to the RMS (s_rms) of the sample data.
  • the eighth candidate feature information may be a ratio (s_std/s_rms) of the standard deviation (s_std) of the sample data to the RMS (s_rms) of the sample data.
  • the ninth candidate feature information may be a ratio (s_var/d_var) of the variance (s_var) of sample data to the variance (d_var) of vibration data.
  • the tenth candidate feature information may be a ratio (s_std/s_var) of the standard deviation (s_std) of the sample data to the variance (s_var) of the sample data.
  • the eleventh candidate feature information may be a ratio (s_var/s_std) of the variance (s_var) of the sample data to the standard deviation (s_std) of the sample data.
  • the twelfth candidate feature information may be a ratio (s_var/s_rms) of the variance (s_var) of the sample data to the RMS (s_rms) of the sample data.
  • feature information may be extracted by reducing dimensions through principal component analysis (PCA) for 12 candidate features. This is for efficient analysis using machine learning.
  • PCA principal component analysis
  • the principal component analysis step (S34) may be omitted according to embodiments.
  • sampling data is clustered based on feature information.
  • Clustering is a type of unsupervised learning, which evaluates clustering based on the similarity between unlabeled data.
  • the method according to the present embodiment aims to distinguish between normal vibration data and vibration data including measurement errors, the structural condition to be determined through clustering is simple, and a small number of measurement error data must be found within a large amount of data.
  • a clustering technique is suitable as a machine learning method for distinguishing between normal vibration data and vibration data including measurement errors.
  • Hierarchical clustering can be divided into a bottom-up type of aggregation (merge hierarchical clustering) and a top-down type of separation type (split hierarchical clustering).
  • the aggregation type is a method of sequentially purifying similar data starting from each data.
  • single linkage complete linkage, centroid linkage, average linkage, Ward's linkage, etc. exist as algorithms of agglomeration clustering.
  • Ward's linkage performs cluster merging in a way that minimizes the deviation within the cluster.
  • Ward's linkage is less sensitive to noise and outliers than Single linkage, and since other algorithms tend to cluster clusters of similar size, this is a model for distinguishing normal vibration data from vibration data that includes measurement errors. It is judged that it is more suitable for the Example.
  • 7 and 8 are graphs illustrating clustering results obtained by determining existing vibration data according to the second determination step.
  • vibration data C1 and vibration data C2 including measurement errors are clustered into different clusters.
  • 1,188 pieces of data among 10,634 samples of vibration data were determined as vibration data C2 including measurement errors.
  • the measurement error determination step S36 based on the analysis result derived in the clustering analysis step S35, it may be determined whether data due to measurement errors is included in the vibration data obtained in the vibration data acquisition step S10. .
  • the measurement error judgment of the vibration data according to the second judgment step (S30) is an area that is difficult to accurately judge even by experts, but normal vibration data and In a region where vibration data including measurement errors coexist, it is possible to supplement the judgment error in the first judgment step S20 by presenting an accurate judgment basis.
  • the vibration measurement error determination method determines whether data due to measurement errors is included in vibration data using two different determination methods, and determines according to each determination method. Since the results are collected and finally it is determined whether the vibration data includes data due to measurement errors, the accuracy of the determination can be improved.
  • vibration data which is basic data of predictive diagnosis
  • FIG. 9 is a block diagram illustrating a vibration measurement error determination system according to an embodiment of the present invention.
  • the vibration measurement error determination system includes a data acquisition unit 10, a first determination unit 20, a second determination unit 30, and a final determination unit 40. and a machine learning analysis database 50 .
  • the data acquisition unit 10 performs the aforementioned vibration data acquisition step (S10). That is, the data acquisition unit 10 may acquire vibration data from a mobile vibration measuring device or obtain vibration data from a database DB in which vibration data is stored.
  • the first determination unit 20 performs the above-described first determination step (S20). That is, the first determination unit 20 may determine whether data due to a measurement error is included in the vibration data acquired in the vibration data acquisition step ( S10 ) based on a preset error data selection rule.
  • the second determination unit 30 performs the above-described second determination step (S30). That is, the second determination unit 30 determines whether the vibration data acquired in the vibration data acquisition step (S10) includes data due to a measurement error as a criterion different from the criterion of the first determination step (S20). can judge For example, the second determination unit 30 may determine whether data due to a measurement error is included in the vibration data obtained in the vibration data acquisition step (S10) by using a machine learning algorithm.
  • the final determination unit 40 performs the above-described final determination step (S40). That is, the final determination unit 40 collects the determination result of the first determination unit 20 and the determination result of the second determination unit 30 and determines the vibration data obtained in the vibration data acquisition step (S10) due to a measurement error. Finally, it is determined whether the data is included or not.
  • the final determination unit 40 may determine that there is no measurement error only for the vibration data determined by both the first determination unit 20 and the second determination unit 30 to have no measurement error. Alternatively, the final determination unit 40 may determine that there is no measurement error only for the vibration data for which either the first determination unit 20 or the second determination unit 30 determines that there is no measurement error.
  • the final determination unit 40 may provide a user with a notification that a measurement error exists in the vibration data determined to have a measurement error.
  • the first determination unit 20, the second determination unit 30, and the final determination unit 40 have been described as separate configurations, but this is the first determination unit 20, the second determination unit 30 ) and the final determination unit 40 are functionally classified and described, and the first determination unit 20, the second determination unit 30, and the final determination unit 40 are physically composed of one or a plurality of calculation units. can be configured.
  • the machine learning analysis database 50 may include machine learning algorithms that perform analysis on vibration data.
  • the final determination unit 40 may provide the vibration data determined to have no measurement error to the machine learning analysis database 50, and the machine learning analysis database 50 may provide the vibration data received from the final determination unit 40. Data can be updated.
  • the vibration measurement error determination system determines whether data due to a measurement error is included in vibration data using two different determination methods, and determines according to each determination method. Since the results are collected and finally it is determined whether the vibration data includes data due to measurement errors, the accuracy of the determination can be improved.
  • vibration data which is basic data of predictive diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 실시예에 따른 진동 측정 오류 판단 방법은, 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 진동 데이터 획득 단계, 미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단 단계, 기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단 단계 및 상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단 단계를 포함한다.

Description

진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
본 발명은 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템에 관한 것으로서, 보다 상세하게는 진동 데이터로부터 측정 오류에 대한 데이터가 포함되어 있는지 여부를 검출하는 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템에 관한 것이다.
진동이 필연적으로 발생하는 구조물은 구조물에서 발생하는 진동을 측정하여 현재의 구조물의 상태 및 가까운 장래의 구조물의 상태를 예측할 수 있다. 특히, 원자력 발전소에서는 설비관리를 위해서 이동식 진동측정기를 사용하여 설비들의 진동을 측정한다.
최근, 머신러닝을 이용해 구조물로부터 발생한 진동 데이터를 분석하여 구조물의 상태를 파악하는 기술이 개발되고 있다.
그러나 구조물의 진동을 측정하는 과정에서 발생하는 문제들로 인해 측정 오류가 포함된 진동 데이터가 수집되기도 한다. 이는 결과적으로 구조물에 대한 잘못된 분석 결과의 도출을 초래하고, 예측 진단의 신뢰성을 하락시킨다.
예를 들어, 진동 측정 과정에서 측정자의 장비 사용 미숙, 측정 장비의 관리 소홀, 외부 신호 간섭 등으로 잘못된 진동 측정 데이터가 수집될 수 있다.
도 10을 참조하면, (a) 및 (b)는 진동을 감지하는 센서에 충격이 발생한 후 잔류 응력에 의한 노이즈가 포함된 측정 데이터이고, (c)는 센서 부착 등의 문제로 충격 파형의 노이즈가 포함된 측정 데이터이며, (d)는 센서 및/또는 케이블 불량으로 인한 노이즈가 포함된 측정 데이터이다.
이렇게 진동 측정 과정에서 발생한 측정 오류 데이터가 포함된 진동 데이터는 진동 구조물의 상태 분석을 위해 특화된 머신 러닝을 이용하더라도, 진단의 신뢰성이 떨어지게 된다.
본 발명이 해결하고자 하는 과제는, 진동 데이터로부터 측정 오류에 대한 데이터가 포함되어 있는지 여부를 검출하는 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템을 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 실시예에 따른 진동 측정 오류 판단 방법은, 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 진동 데이터 획득 단계, 미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단 단계, 기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단 단계 및 상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단 단계를 포함한다.
상기 오류 데이터 선정 규칙은, 상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기준으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 저주파 영역은 3Hz 이하의 영역을 포함할 수 있다.
상기 임계값은 0.6 mm/s 일 수 있다.
상기 기계 학습 알고리즘은, 상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 특징 정보를 추출하고, 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 특징 정보는 복수의 상기 샘플 데이터로부터 추출된 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출될 수 있다.
상기 기계 학습 알고리즘은, 상기 특징 정보는 상기 샘플 데이터마다 추출되며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 과제를 해결하기 위한 본 발명의 실시예에 따른 진동 오류 판별 시스템은, 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 데이터 획득부, 미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단부, 기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단부 및 상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단부를 포함한다.
상기 오류 데이터 선정 규칙은, 상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기준으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 저주파 영역은 3Hz 이하의 영역을 포함할 수 있다.
상기 임계값은 0.6 mm/s일 수 있다.
상기 기계 학습 알고리즘은, 상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 특징 정보를 추출하고, 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 특징 정보는 복수의 상기 샘플 데이터로부터 추출된 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출될 수 있다.
상기 기계 학습 알고리즘은, 상기 특징 정보는 상기 샘플 데이터마다 추출되며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예들에 의하면 적어도 다음과 같은 효과가 있다.
측정된 진동 데이터에 측정 오류에 대한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
또한, 잘못 측정된 진동 데이터를 선별하여 예측 진단의 기초 데이터인 진동 데이터의 건전성을 향상시킬 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법을 설명하기 위한 순서도이다.
도 2는 도 1의 제1 판단 단계를 설명하기 위한 순서도이다.
도 3은 정상적인 진동 데이터의 일 예를 도시한 그래프이다.
도 4는 측정 오류가 포함된 진동 데이터의 일 예를 도시한 그래프이다.
도 5는 샘플 진동 데이터에 대한 전문가 판정 결과를 도시한 그래프이다.
도 6은 도 1의 제2 판단 단계를 설명하기 위한 순서도이다.
도 7 및 도 8은 샘플 진동 데이터를 제2 판단 단계에 따라 판단한 클러스터링 결과를 도시한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템을 도시한 블록도이다.
도 10은 측정 오류가 포함된 진동 데이터들의 예들을 도시한 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
또한, 본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 개략도들을 참고하여 설명될 것이다. 따라서, 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 또한, 본 발명에 도시된 각 도면에 있어서 각 구성 요소들은 설명의 편의를 고려하여 다소 확대 또는 축소되어 도시된 것일 수 있다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 본 발명의 실시예에 따른 진동 측정 오류 판단 방법 및 이를 이용한 진동 측정 오류 판별 시스템을 설명하기 위한 도면들을 참고하여 본 발명에 대하여 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법을 설명하기 위한 순서도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법은, 진동 데이터 획득 단계(S10), 제1 판단 단계(S20), 제2 판단 단계(S30) 및 최종 판단 단계(S40)를 포함한다.
진동 데이터 획득 단계(S10)에서는 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득한다. 진동 데이터는 이동식 진동 측정기를 이용해 획득되거나, 진동 데이터가 저장된 데이터베이스(DB)로부터 획득될 수 있다.
구조물은 회전하며 동작하는 회전 기기를 포함하는 구조물일 수 있다. 회전 기기가 동작함에 따라 구조물에서는 진동이 발생하는데, 진동을 측정하여 구조물 및 회전 기기의 현재 상태를 진단할 수 있고, 이를 기초로 구조물 및 회전 기기에 대한 예측 진단, 즉 가까운 장래 상태를 예측하여 진단할 수 있다. 특히, 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법은 원자력 발전소에서 이용되는 다양한 설비들을 대상으로 진동 데이터를 획득하여 원자력 발전소의 설비 관리에 사용될 수 있다.
제1 판단 단계(S20)에서는 미리 설정된 오류 데이터 선정 규칙에 기초하여 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다. 이에 대한 보다 구체적인 설명은 후술한다.
제2 판단 단계(S30)에서는 제1 판단 단계(S20)의 판단 기준과는 다른 판단 기준으로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단한다. 예를 들어, 제2 판단 단계(S30)에서는 기계 학습 알고리즘을 이용해 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다. 이에 대한 보다 구체적인 설명은 후술한다.
최종 판단 단계(S40)에서는 제1 판단 단계(S20)에서 판단된 결과와 제2 판단 단꼐(S30)에서 판단된 결과를 기초로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 최종적으로 판단한다.
예를 들어, 최종 판단 단계(S40)에서는 제1 판단 단계(S20) 및 제2 판단 단계(S30)에서 모두 측정 오류가 없는 것으로 판단된 진동 데이터에 한하여 측정 오류가 없는 것으로 판단할 수 있다.
또는, 최종 판단 단계(S40)에서는 제1 판단 단계(S20) 및 제2 판단 단계(S30) 중 어느 하나의 단계에서라도 측정 오류가 없는 것으로 판단된 진동 데이터는 측정 오류가 없는 것으로 판단할 수 있다.
도 2는 도 1의 제1 판단 단계를 설명하기 위한 순서도이다.
도 2를 참조하면, 제1 판단 단계(S20)는 시간 파형 데이터 추출 단계(S21), 고속 푸리에 변환 단계(S22), 저주파 영역의 진동값 추출 단계(S23), 진동값을 임계값과 비교하는 단계(S24) 및 측정 오류 판단 단계(S25)를 포함할 수 있다.
시간 파형 데이터 추출 단계(S21)에서는, 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터로부터 시간 파형(Time Wave Form)의 진동 데이터를 추출한다. 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터가 시간 파형(Time Wave Form)의 데이터인 경우에는 시간 파형 데이터 추출 단계(S21)가 생략될 수 있다.
고속 푸리에 변환 단계(S22)에서는 시간 파형의 진동 데이터를 주파수 영역으로 변환한다. 고속 푸리에 변환 단계(S22)에서는 시간 파형의 진동 데이터를 샘플링 한 후 주파수 영역으로 변환시킬 수 있다. 시간 파형의 진동 데이터를 주파수 영역으로 변환하는 과정에는 윈도우 함수를 사용하지 않는 Rectangular Window를 사용하여 FFT(고속 푸리에 변환, Fast Fourier transform)가 사용될 수 있다.
저주파 영역의 진동값 추출 단계(S23)에서는 주파수 영역으로 변환된 진동 데이터에서 저주파 영역에 대한 진동값(진폭값)을 연산하여 추출한다.
도 3은 정상적인 진동 데이터의 일 예를 도시한 그래프이고, 도 4는 측정 오류가 포함된 진동 데이터의 일 예를 도시한 그래프이다.
도 3 및 도 4를 비교하여 참조하면, 정상적인 진동 데이터에 비해 측정 오류가 포함된 진동 데이터는 3Hz 이하의 저주파 영역에서 큰 진폭을 갖는 것을 확인할 수 있고, 저주파 대역에서 Ski-Slope 현상이 관측됨을 확인할 수 있다. 따라서, 저주파 영역의 진동값 추출 단계(S23)에서는 저주파 영역을 3Hz 이하의 주파수 영역으로 설정할 수 있다.
진동값을 임계값과 비교하는 단계(S24)에서는 저주파 영역의 진동값 추출 단계(S23)에서 추출된 저주파 영역의 진동값을 임계값과 비교한다.
본 출원인은 측정 오류를 판단하기 위한 임계값을 찾기 위해, 한빛 3발전소 5, 6 호기의 248개 설비를 대상으로 1,811 포인트에서 진동 데이터를 측정하였으며, 총 10,634개의 샘플 진동 데이터를 대상으로 전문가에 의한 측정 오류를 포함하는 진동 데이터에 대한 판별을 수행하였다.
그 결과, 전문가는 10,634개의 샘플 진동 데이터 중에서, 10,175개는 정상적인 진동 데이터로 판단하고, 231개는 측정 오류를 포함하는 진동 데이터로 판별하였으며, 228개에 대해서는 판정을 보류하였다.
도 5는 샘플 진동 데이터에 대한 전문가 판정 결과를 도시한 그래프이다.
도 5를 참조하면, 저주파 영역의 진폭이 낮은 영역(0.006 in/s 이하 영역)에 정상적인 진동 데이터가 다수 존재하고, 저주파 영역의 진폭이 0.007 ~ 0.026 in/s인 영역에서는 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터가 중첩되고, 측정 오류를 포함하는 진동 데이터는 저주파 영역의 진폭이 0.013 in/s이상인 영역에서 출현하는 것을 확인할 수 있다.
도 5를 기초로, 진폭의 임계값을 설정하기 위해, 임계값이 각각 0.4 mm/s(= 0.0157 in/s), 0.5 mm/s(= 0.0197 in/s), 0.6 mm/s(= 0.2362 in/s), 0.7 mm/s(= 0.0276 in/s), 0.8 mm/s(= 0.0315 in/s)로 설정되는 경우, 측정 오류를 포함하는 진동 데이터를 정상적인 진동 데이터로 판단한 건수와, 반대로 정상적인 진동 데이터를 측정 오류를 포함하는 진동 데이터로 판단한 건수를 비교하였다.
기준 진폭 측정 오류 → 정상 판정 정상 → 측정 오류 판정 합계
건수 비율 건수 비율
0.8 mm/s 103 44.40% 0 0.00% 103
0.7 mm/s 82 35.34% 1 0.01% 83
0.6 mm/s 48 20.69% 10 0.10% 58
0.5 mm/s 24 10.34% 29 0.29% 53
0.4 mm/s 7 3.02% 113 1.11% 120
임계값을 0.8 mm/s로 설정하는 경우, 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단되지는 않았지만, 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단한 경우가 많았다.반대로 임계값을 0.4 mm/s로 설정하는 경우, 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단하는 비율은 줄어들지만, 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하는 비율이 늘어났다.
임계값에 따라 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단하는 비율과 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하는 비율은 트레이드오프 관계에 있는 것을 확인할 수 있다.
본 실시예에서는 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하는 것을 최소화하면서도 전체적인 오판정 역시 최소화하기 위해 임계값(T, 도 5 참고)을 0.6 mm/s로 설정하였다.
다만, 측정 오류 판별의 정밀성 등의 요구에 따라 측정 오류를 포함하는 진동 데이터를 선별하기 위한 저주파 진폭의 임계값은 0.4 ~ 0.8 mm/s 내에서 다르게 선택될 수 있으며, 필요에 따라 임계값은 0.4 mm/s 이하의 값으로 설정되거나, 0.8 mm/s 이상의 값으로 설정될 수 있다.
진동값을 임계값과 비교하는 단계(S24)에서는 저주파 영역의 진동값 추출 단계(S23)에서 추출된 저주파 영역의 진동값을 설정된 임계값과 비교하여, 진동값이 임계값 이하(또는 미만)인지 초과(또는 이상)인지 여부를 판단할 수 있다.
측정 오류 판단 단계(S25)에서는, 진동값을 임계값과 비교하는 단계(S24)에서 판단된 진동값과 임계값과의 차이를 기초로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단한다.
즉, 진동값이 임계값 이하(또는 미만)인 경우에는 정상적인 진동 데이터로 판단하고, 진동값이 임계값 초과(또는 이상)인 경우에는 측정 오류로 인한 데이터가 포함된 진동 데이터로 판단할 수 있다.
상술한 바와 같이, 제1 판단 단계(S20)에서, 오류 데이터 선정 규칙, 즉, 저주파 영역의 진동값과 임계값의 차이를 기반으로 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단하는 경우, 임계값에 따라 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하거나 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단하는 경우가 존재한다.
이를 보완하기 위해, 본 실시예에 따른 진동 측정 오류 판단 방법은 제2 판단 단계(S30)를 거치게 된다.
도 6은 도 1의 제2 판단 단계를 설명하기 위한 순서도이다.
제2 판단 단계(S30)에서는 기계 학습 알고리즘을 이용해 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
이를 위해, 도 6을 참조하면, 제2 판단 단계(S30)는 시간 파형 데이터 추출 단계(S31), 샘플 데이터 추출 단계(S32), 후보 특징 정보 추출 단계(S33), 주성분 분석 단계(S34), 클러스터링 분석 단계(S35), 측정 오류 판단 단계(S36)을 포함할 수 있다.
시간 파형 데이터 추출 단계(S31)에서는, 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터로부터 시간 파형(Time Wave Form)의 진동 데이터를 추출한다. 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터가 시간 파형(Time Wave Form)의 데이터인 경우에는 시간 파형 데이터 추출 단계(S31)가 생략될 수 있다.
샘플 데이터 추출 단계(S32)에서는 시간 파형의 진동 데이터로부터 적어도 하나의 샘플 데이터를 추출할 수 있다. 추출되는 샘플 데이터의 수는 실시예에 따라 다양하게 선택될 수 있지만, 진동 데이터에서 측정 오류를 판별하는 기계 학습 알고리즘의 강건성을 확보하기 위해서는 진동 데이터로부터 다수의 샘플 데이터를 추출하는 것이 바람직하다. 다만, 샘플 데이터의 수가 많아짐에 따라 기계 학습 알고리즘의 특징 정보 추출을 위한 연산에 상당한 자원이 소요되므로, 적절한 샘플 데이터 수의 선택이 요구된다. 이러한 점을 고려할 때, 샘플 데이터의 수는 수십 개, 보다 바람직하게는 20개 정도가 적절하다. 샘플 데이터의 추출 기준은 실시예에 따라 다양하게 설정될 수 있다.
후보 특징 정보 추출 단계(S33)에서는 샘플 데이터 추출 단계(S32)에서 추출된 샘플 데이터로부터 후보 특징 정보를 추출한다.
후보 특징 정보는, 샘플 데이터 추출 단계(S32)에서 추출된 샘플 데이터로부터 연산된 제1 통계 정보 및/또는 시간 파형 데이터 추출 단계(S31)에서 추출되거나 진동 데이터 획득 단계(S10)에서 획득된 시간 파형의 진동 데이터로부터 연산된 제2 통계 정보로부터 추출될 수 있다.
제1 통계 정보는 샘플 데이터의 RMS(Root mean square), 평균, 분산, 표준 편차를 포함할 수 있다. 샘플 데이터 추출 단계(S12)에서 추출된 샘플 데이터가 복수 개인 경우, 제1 통계 정보는 각 샘플 데이터마다의 RMS, 평균, 분산, 표준 편차를 포함할 수 있다.
제2 통계 정보는 시간 파형의 진동 데이터의 RMS, 평균, 분산, 표준 편차를 포함할 수 있다.
정상적인 진동 데이터는 주기적으로 +, -로 변화하는 양태를 보인다. 그러나 측정 오류를 포함하는 진동 데이터는 정상적인 진동 데이터와 달리 주기성이 낮은 양태를 보인다.
따라서, 데이터의 통계 정보 중 평균값은 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분할 수 있는 하나의 지표가 될 수 있다.
또한, 데이터의 통계 정보 중 RMS 값은 데이터의 진폭과 연관된 정보를 나타내는 지표가 될 수 있다.
한편, 데이터의 분산 및 표준편차는 주기성을 갖는 정상적인 진동 데이터와 비주기성을 갖는 측정 오류를 포함하는 진동 데이터를 구별할 수 있는 지표가 될 수 있다. 특히, 하나의 진동 데이터로부터 추출된 복수의 샘플 데이터에서 측정 오류가 포함된 샘플 데이터는 다른 샘플 데이터 대비 분산 및/또는 표준 편차가 높게 나타난다. 따라서, 샘플 데이터들 사이의 분산, 표준 편차는 진동 데이터 내에 포함된 측정 오류와 관련된 데이터를 구별할 수 있는 지표가 될 수 있다. 또한, 진동 데이터와 샘플 데이터 사이의 분산 및/또는 표준 편차의 차이 역시 진동 데이터 내에 포함된 측정 오류와 관련된 데이터를 구별할 수 있는 지표가 될 수 있다.
후보 특징 정보는 측정 오류를 포함하는 진동 데이터에서 상대적으로 높게 나타나는 신호 형태의 이상 특징, 분산에 대한 반응도가 높은 특징, 결함에 의해 발생하는 신호나 주기적 성분에 대해 반응성이 낮은 특징 등을 포함할 수 있다.
이하에서는 설명의 편의를 위해, 제1 통계 정보인, 샘플 데이터의 RMS를 s_rms이라 하고, 샘플 데이터의 평균을 s_mean이라 하고, 샘플 데이터의 분산을 s_var라 하고, 샘플 데이터의 표준 편차를 s_std라 한다.
또한, 제2 통계 정보인, 진동 데이터의 RMS를 d_rms이라 하고, 진동 데이터의 평균을 d_mean이라 하고, 진동 데이터의 분산을 d_var라 하고, 진동 데이터의 표준 편차를 d_std라 한다.
본 명세서에서 제안하는 후보 특징 정보는 아래의 [표 2]와 같다.
No. Feature No. Feature
1 s_mean/s_rms 7 d_mean/s_rms
2 s_std/d_rms 8 s_std/s_rms
3 s_std/d_std 9 s_var/d_var
4 s_mean/d_var 10 s_std/s_var
5 s_mean/d_std 11 s_var/s_std
6 s_mean/d_rms 12 s_var/s_rms
[표 2]를 참조하면,제1 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/s_rms)이 될 수 있다.
제2 후보 특징 정보는 진동 데이터의 RMS(d_rms)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_rms)이 될 수 있다.
제3 후보 특징 정보는 진동 데이터의 표준 편차(d_std)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_std)이 될 수 있다.
제4 후보 특징 정보는 진동 데이터의 분산(d_var)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_var)이 될 수 있다.
제5 후보 특징 정보는 진동 데이터의 표준 편차(d_std)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_std)이 될 수 있다.
제6 후보 특징 정보는 진동 데이터의 RMS(d_rms)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_rms)이 될 수 있다.
제7 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 진동 데이터의 평균(d_mean)의 비율(d_mean/s_rms)이 될 수 있다.
제8 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_rms)이 될 수 있다.
제9 후보 특징 정보는 진동 데이터의 분산(d_var)에 대한 샘플 데이터의 분산(s_var)의 비율(s_var/d_var)이 될 수 있다.
제10 후보 특징 정보는 샘플 데이터의 분산(s_var)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_var)이 될 수 있다.
제11 후보 특징 정보는 샘플 데이터의 표준편차(s_std)에 대한 샘플 데이터의 분산(s_var)의 비율(s_var/s_std)이 될 수 있다.
제12 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 샘플 데이터의 분산(s_var)의 비율(s_var/s_rms)이 될 수 있다.
4가지의 제1 통계 정보(s_rms, s_mean, s_var, s_std)와 4가지의 제2 통계 정보(d_rms, d_mean, d_var, d_std) 중 2가지의 정보에 대한 비율 정보는 56가지가 도출될 수 있지만, 이 중 상술한 12가지의 후보 특징 정보가 진동 데이터 내의 측정 오류에 민감하게 반응하는 특정 정보임을 확인하였다.
주성분 분석 단계(S34)에서는 12가지의 후보 특징들에 대해 주성분 분석(PCA, principal component analysis)를 통해 차원을 축소하여 특징 정보들을 추출할 수 있다. 이는 기계 학습을 이용한 효율적인 분석을 위한 것이다. 다만, 주성분 분석 단계(S34)는 실시예에 따라 생략될 수도 있다.
클러스터링 분석 단계(S35)에서는 특징 정보들을 기반으로 샘플링 데이터들을 클러스터링한다. 클러스터링은 비지도 학습의 일종으로, 레이블(lable)이 없는 데이터들 사이의 유사도을 근거로 군집성을 평가한다.
본 실시예에 따른 방법이 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분하는 것을 목적으로 하므로, 클러스터링을 통해 판단해야 할 구조적 조건이 단순하고, 많은 데이터 내에서 소수의 측정 오류 데이터를 찾아야 하므로 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분하는 기계 학습 방법으로는 클러스터링 기법이 적합하다.
클러스터링 기법들 중 계층적 군집(Hierarchical Clustering)은 Bottom-up 방식인 응집형(병합 계층 군집)과 Top-down 방식인 분리형(분할 계층 군집)으로 구분될 수 있다. 응집형은 각각의 데이터로부터 시작하여 유사한 데이터끼지 순차적으로 순집화하는 방식이다.
응집형 클러스터링을 본 실시예에 적용하는 경우, 각각 하나의 샘플 데이터를 갖는 N개의 군집으로 시작하여 이들에 대한 유사성 행렬을 산출하고, 이를 기초로 가장 유사한 군집의 쌍을 찾아 하나의 군집으로 병합하고 다시 유사성 행렬을 갱신하는 과정을 반복하여, 모든 샘플 데이터가 하나의 군집이 되도록 하는 방식으로 진행될 수 있다.
또한, 응집형 클러스터링의 알고리즘에는 Single linkage, Complete linkage, Centroid linkage, Average linkage, Ward's linkage 등이 존재한다.
이 중, 다른 알고리즘들이 군집 간의 거리를 근거로 군집의 병합을 수행함에 반해, Ward's linkage는 군집 내 편차를 최소화하는 방식으로 군집의 병합을 수행한다. 특히, Ward's linkage는 Single linkage에 비해 노이즈와 이상치에 대해 덜 민감한 특성을 보이며, 다른 알고리즘에 비슷한 크기의 군집끼리 클러스터링하는 경향이 존재하므로, 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분하는 본 실시예에 보다 적합하다고 판단된다.
도 7 및 도 8은 기존의 진동 데이터를 제2 판단 단계에 따라 판단한 클러스터링 결과를 도시한 그래프이다.
도 7 및 도 8을 참조하면, 정상적인 진동 데이터(C1)과 측정 오류를 포함하는 진동 데이터(C2)가 서로 다른 군집으로 클러스터링되었음을 확인할 수 있다. 제2 판단 단계에 의해 10,634개의 샘플 진동 데이터 중에서 1,188개의 데이터가 측정 오류를 포함하는 진동 데이터(C2)로 판별되었다.
측정 오류 판단 단계(S36)에서는 클러스터링 분석 단계(S35)에서 도출된 분석 결과를 기반으로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
제2 판단 단계(S30)에 따른 진동 데이터에 대한 측정 오류 판단은 도 5에 도시된 바와 같이, 전문가도 정확하게 판단하기 어려운 영역이나, 제1 판단 단계(S20)에서 정확하게 판단하지 못한 정상적인 진동데이터와 측정 오류를 포함하는 진동 데이터가 혼재하는 영역에서 정확한 판단 근거를 제시하여 제1 판단 단계(S20)의 판단 오류를 보완할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법은 서로 다른 2가지의 판단 방법을 이용해 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하고, 각 판단 방법에 따른 판단 결과를 취합하여 최종적으로 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하므로, 판단의 정확성을 향상시킬 수 있다.
또한, 잘못 측정된 진동 데이터를 선별하여 예측 진단의 기초 데이터인 진동 데이터의 건전성을 향상시킬 수 있다.
이하에서는 상술한 진동 측정 오류 판단 방법을 이용하는 진동 측정 오류 판별 시스템에 대해 설명한다.
도 9는 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템을 도시한 블록도이다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템은, 데이터 획득부(10), 제1 판단부(20), 제2 판단부(30), 최종 판단부(40) 및 머신 러닝 분석 데이터 베이스(50)를 포함할 수 있다.
데이터 획득부(10)는 상술한 진동 데이터 획득 단계(S10)를 수행한다. 즉, 데이터 획득부(10)는 이동식 진동 측정기로부터 진동 데이터를 획득하거나, 진동 데이터가 저장된 데이터베이스(DB)로부터 진동 데이터를 획득할 수 있다.
제1 판단부(20)는 상술한 제1 판단 단계(S20)를 수행한다. 즉, 제1 판단부(20)는 미리 설정된 오류 데이터 선정 규칙에 기초하여 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
제2 판단부(30)는 상술한 제2 판단 단계(S30)를 수행한다. 즉, 제2 판단부(30)는 제1 판단 단계(S20)의 판단 기준과는 다른 판단 기준으로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다. 예를 들어, 제2 판단부(30)는 기계 학습 알고리즘을 이용해 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
최종 판단부(40)는 상술한 최종 판단 단계(S40)를 수행한다. 즉, 최종 판단부(40)는 제1 판단부(20)의 판단 결과와 제2 판단부(30)의 판단 결과를 취합하여 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 최종적으로 판단한다.
최종 판단부(40)는 제1 판단부(20)와 제2 판단부(30)가 모두 측정 오류가 없는 것으로 판단한 진동 데이터에 한하여 측정 오류가 없는 것으로 판단할 수 있다. 또는 최종 판단부(40)는 제1 판단부(20)와 제2 판단부(30) 중 어느 하나가 모두 측정 오류가 없는 것으로 판단한 진동 데이터에 한하여 측정 오류가 없는 것으로 판단할 수 있다.
최종 판단부(40)는 측정 오류가 있는 것으로 판단된 진동 데이터에 대해서는 측정 오류가 존재한다는 알림을 사용자에게 제공할 수 있다.
본 실시예에서는 제1 판단부(20), 제2 판단부(30) 및 최종 판단부(40)를 각각 별도의 구성으로 설명하였지만, 이는 제1 판단부(20), 제2 판단부(30) 및 최종 판단부(40)를 기능적으로 구분하여 설명하기 위한 것이고, 제1 판단부(20), 제2 판단부(30) 및 최종 판단부(40)은 물리적으로 하나 또는 복수의 연산 유닛으로 구성될 수 있다.
머신 러닝 분석 데이터 베이스(50)는 진동 데이터에 대한 분석을 수행하는 머신 러닝 알고리즘을 포함할 수 있다.
최종 판단부(40)는 측정 오류가 없는 것으로 판단된 진동 데이터를 머신 러닝 분석 데이터 베이스(50)로 제공할 수 있고, 머신 러닝 분석 데이터 베이스(50)는 최종 판단부(40)로부터 수신한 진동 데이터를 업데이트할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템은 서로 다른 2가지의 판단 방법을 이용해 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하고, 각 판단 방법에 따른 판단 결과를 취합하여 최종적으로 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하므로, 판단의 정확성을 향상시킬 수 있다.
또한, 잘못 측정된 진동 데이터를 선별하여 예측 진단의 기초 데이터인 진동 데이터의 건전성을 향상시킬 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (14)

  1. 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 진동 데이터 획득 단계;
    미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단 단계;
    기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단 단계; 및
    상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단 단계;를 포함하는, 진동 측정 오류 판단 방법.
  2. 제1항에 있어서,
    상기 오류 데이터 선정 규칙은,
    상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기준으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판단 방법.
  3. 제2항에 있어서,
    상기 저주파 영역은 3Hz 이하의 영역을 포함하는, 진동 측정 오류 판단 방법.
  4. 제2항에 있어서,
    상기 임계값은 0.6 mm/s인, 진동 측정 오류 판단 방법.
  5. 제1항에 있어서,
    상기 기계 학습 알고리즘은,
    상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 특징 정보를 추출하고, 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판단 방법.
  6. 제5항에 있어서,
    상기 특징 정보는 복수의 상기 샘플 데이터로부터 추출된 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출되는, 진동 측정 오류 판단 방법.
  7. 제5항에 있어서,
    상기 기계 학습 알고리즘은,
    상기 특징 정보는 상기 샘플 데이터마다 추출되며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판단 방법.
  8. 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 데이터 획득부;
    미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단부;
    기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단부; 및
    상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단부;를 포함하는, 진동 오류 판별 시스템.
  9. 제8항에 있어서,
    상기 오류 데이터 선정 규칙은,
    상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기준으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판별 시스템.
  10. 제9항에 있어서,
    상기 저주파 영역은 3Hz 이하의 영역을 포함하는, 진동 측정 오류 판별 시스템.
  11. 제9항에 있어서,
    상기 임계값은 0.6 mm/s인, 진동 측정 오류 판별 시스템.
  12. 제8항에 있어서,
    상기 기계 학습 알고리즘은,
    상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 특징 정보를 추출하고, 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판별 시스템.
  13. 제12항에 있어서,
    상기 특징 정보는 복수의 상기 샘플 데이터로부터 추출된 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출되는, 진동 측정 오류 판별 시스템.
  14. 제12항에 있어서,
    상기 기계 학습 알고리즘은,
    상기 특징 정보는 상기 샘플 데이터마다 추출되며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판별 시스템.
PCT/KR2021/016634 2021-06-11 2021-11-15 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 Ceased WO2022260221A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2023576190A JP7583191B2 (ja) 2021-06-11 2021-11-15 振動測定エラー判断方法及びこれを利用する振動エラー判別システム
CN202180099247.1A CN117480461A (zh) 2021-06-11 2021-11-15 振动测量误差确定方法以及使用该方法的振动误差辨别系统
US18/568,732 US20240271990A1 (en) 2021-06-11 2021-11-15 Vibration measurement error determination method and vibration error discernment system using the same
EP21945288.5A EP4354241A4 (en) 2021-06-11 2021-11-15 Vibration measurement error determination method and vibration error discernment system using same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0075933 2021-06-11
KR1020210075933A KR102504421B1 (ko) 2021-06-11 2021-06-11 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템

Publications (1)

Publication Number Publication Date
WO2022260221A1 true WO2022260221A1 (ko) 2022-12-15

Family

ID=84425270

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/016634 Ceased WO2022260221A1 (ko) 2021-06-11 2021-11-15 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템

Country Status (6)

Country Link
US (1) US20240271990A1 (ko)
EP (1) EP4354241A4 (ko)
JP (1) JP7583191B2 (ko)
KR (1) KR102504421B1 (ko)
CN (1) CN117480461A (ko)
WO (1) WO2022260221A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120010007B (zh) * 2025-04-18 2025-08-15 华北电力大学 覆层内部结构的勘测装置和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100199105B1 (ko) * 1996-11-05 1999-06-15 이해규 학습기능을 구비한 회전체의 진동 진단장치
KR100377882B1 (ko) * 1995-08-15 2003-06-09 오므론 가부시키가이샤 진동감시장치및진동감시조건결정장치
JP5900296B2 (ja) * 2012-11-13 2016-04-06 トヨタ自動車株式会社 振動解析装置、振動解析方法、及び振動解析プログラム
KR102073810B1 (ko) * 2019-07-23 2020-03-11 한화시스템(주) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
KR102144975B1 (ko) * 2019-11-08 2020-08-14 주식회사 알체라 머신 러닝 시스템 및 머신 러닝 시스템의 동작 방법
JP2020134479A (ja) * 2019-02-26 2020-08-31 日本電産株式会社 異常検出方法および異常検出装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59296B2 (ja) 1981-01-07 1984-01-06 工業技術院長 球形可撓管継手の製造方法
US5521840A (en) * 1994-04-07 1996-05-28 Westinghouse Electric Corporation Diagnostic system responsive to learned audio signatures
KR101764540B1 (ko) 2016-06-21 2017-08-02 두산중공업 주식회사 풍력발전기 진동 상태감시 및 진단 시스템
JP6823576B2 (ja) * 2017-10-26 2021-02-03 株式会社日立産機システム 異常検出システムおよび異常検出方法
KR102196611B1 (ko) * 2019-02-12 2020-12-30 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템
JP2020192015A (ja) 2019-05-27 2020-12-03 株式会社ジェイテクト 情報処理システム
CN110793622B (zh) * 2019-11-15 2021-10-15 北京天泽智云科技有限公司 一种振动数据电磁干扰的异常检测方法
KR102226687B1 (ko) * 2019-11-20 2021-03-11 (주)위세아이텍 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100377882B1 (ko) * 1995-08-15 2003-06-09 오므론 가부시키가이샤 진동감시장치및진동감시조건결정장치
KR100199105B1 (ko) * 1996-11-05 1999-06-15 이해규 학습기능을 구비한 회전체의 진동 진단장치
JP5900296B2 (ja) * 2012-11-13 2016-04-06 トヨタ自動車株式会社 振動解析装置、振動解析方法、及び振動解析プログラム
JP2020134479A (ja) * 2019-02-26 2020-08-31 日本電産株式会社 異常検出方法および異常検出装置
KR102073810B1 (ko) * 2019-07-23 2020-03-11 한화시스템(주) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
KR102144975B1 (ko) * 2019-11-08 2020-08-14 주식회사 알체라 머신 러닝 시스템 및 머신 러닝 시스템의 동작 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4354241A4 *

Also Published As

Publication number Publication date
JP7583191B2 (ja) 2024-11-13
KR20220166977A (ko) 2022-12-20
JP2024521454A (ja) 2024-05-31
US20240271990A1 (en) 2024-08-15
EP4354241A4 (en) 2025-06-11
KR102504421B1 (ko) 2023-02-28
EP4354241A1 (en) 2024-04-17
CN117480461A (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
WO2014193040A1 (ko) 센싱 데이터 분석 시스템 및 방법
WO2013027970A1 (ko) 네트워크의 이상증후를 탐지하는 장치 및 방법
WO2014193041A1 (ko) 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
WO2023128668A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2017022882A1 (ko) 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
CN114460439A (zh) 一种数字集成电路测试系统
WO2023101089A1 (ko) 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
WO2019177239A1 (ko) 구동부의 정밀 예지 보전방법
WO2023128669A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2019177234A1 (ko) 구동부의 정밀 예지 보전방법
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2018030733A1 (ko) 계측-수율 상관성 분석 방법 및 시스템
WO2022260221A1 (ko) 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
CN117932530A (zh) 一种基于边缘智能安防入侵感知方法及系统
WO2018043936A1 (ko) 공정/장비 계측 데이터의 미세 변동 감지 방법 및 시스템
CN113672658B (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
WO2019103188A1 (ko) 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
WO2012023681A1 (en) Method of detecting adverse reaction to drug based on retrospective cohort study using electronic medical record, method of detecting adverse reaction to intervention, and method of detecting adverse reaction to drug or intervention based on retrospective cohort study using electronic medical record and electrocardiogram data
WO2014193057A1 (ko) 불량 샘플의 결함 맵을 이용한 문제 설비 판정 방법 및 그 장치
CN119199358A (zh) 基于电鸿物联操作系统的变电站电力设备监测系统及方法
WO2021100967A1 (ko) 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
WO2023249277A1 (ko) 전기차 진단 및 예지 시스템
WO2022169020A2 (ko) Ppg 기반 스펙트로그램 및 cnn에 기반하는 통증 평가 방법 및 장치
WO2021261901A1 (ko) 함수 호출 패턴 분석을 통한 이상 검출 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21945288

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18568732

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2023576190

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202180099247.1

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2021945288

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021945288

Country of ref document: EP

Effective date: 20240111