(클러스터링) 베어링 고장 진단 방법

https://patents.google.com/patent/KR101823746B1/ko

https://patentimages.storage.googleapis.com/19/c6/21/a0fdf7a8e6ffbb/KR101823746B1.pdf (2018년 등록된 특허)

 

본 발명은 베어링의 고장 또는 결함을 조기에 검출 및 판단하여 기술적, 경제적 및 안전적인 피해를 최소화하기 위한 베어링 고장 진단 방법에 관한 것이다.

 

베어링의 결함 검출에 있어, 실제 산업현장에서는 소음과 진동의 특성을 이용하여 비파괴검사에 이용함으로써 베어링부의 수명연장 등 유지 보전에 큰 도움을 주고 있다.

 

과거에는 숙련된 기술자에 의하여 이러한 문제들을 진단하고 고장 여부를 판단하였으나, 대부분 진단시간이 길고, 주관적이며, 경우에 따라 기기 시스템의 작동을 중단해야 하는 단점을 지니고 있다. 최근에는 작동을 유지하면서, 베어링의 고장을 진단할 수 있는 시스템이 요구됨에 따라 지속적으로 베어링 작동 상태를 진단하여 고장 전에 미리 이상을 발견할 수 있는 형태의 기술로 발전되고 있다.

 

베어링 고장 진단 방법의 일예로서, k-means 알고리즘(이하, 클러스터링 알고리즘이라 함)이 사용되었다.

 

그러나 종래의 기계학습 알고리즘을 사용할 경우, 기계로부터 사전에 학습되지 않은 상태가 발생할 경우에는 해당 상태를 분류하지 못하며, 기계 상태 업데이트를 위해 기존 클러스터링 알고리즘을 사용하더라도 k값을 사용자가 직접 임의로 설정하여야 하기 때문에 k값을 잘못 선택할 경우에 성능 저하 및 판단 오류가 발생할 수 있는 문제점이 있었다.

 

본 발명은 상술한 종래기술의 문제점을 극복하기 위한 것으로서, 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높이고, 정확한 k값을 적응적으로 설정하는 클러스터링 기술을 사용함으로써 고장 상태를 정확히 진단할 수 있도록 하는 방법을 제공하는 데에 목적이 있다.

 

상기 특징들은 제곱 평균 제곱근(Root-mean-square), 형상 계수(Shape factor), 첨도 값(Kurtosis value), 제곱 평균 루트(Square-mean-root), 피크 투 피크 값(Peak-to-peak value), 왜도 값(Skewness value), 임펄스 인자(Impulse factor) 및 파고율(Crest factor) 중 어느 하나의 신호 또는 둘 이상의 신호로부터 추출되는 특징들의 조합을 포함할 수 있다.

 

상기 기계학습 알고리즘은, 서포트 벡터 머신(Support vector machine), 인공 신경망(Artificial neural network) 또는 K-NN 분류(k-nearest neighbors classifier) 등 기계학습에 사용될 수 있는 알고리즘들 중 어느 하나가 사용되어, 미리 취득된 특징들을 학습하고 현재 특징 값을 특정 상태로 분류할 수 있다.