Search

KR-102958802-B1 - Apparatus and method for AI-based predictive diagnostic control of air compressor

KR102958802B1KR 102958802 B1KR102958802 B1KR 102958802B1KR-102958802-B1

Abstract

본 발명은 공기압축기의 AI 기반 예지진단 제어 장치 및 그 방법을 제공하기 위한 것으로, 공기압축기 설비(200)의 진동, 전류, 온도, 습도 신호를 수집하는 센서부(110)와; 센서 신호에 대해 A/D 변환, 동기화, 버퍼링하는 데이터 획득부(120)와; 신경망 추론을 수행하여 상태와 부하율을 산출하고, 드롭아웃 및 온도스케일링으로 예측신뢰도와 불확실도를 산출하는 임베디드 추론부(130)와; 공기압축기 설비(200)에 대한 단계적 감속, 감압, 정지, 경보 릴레이 구동을 수행하는 안전 처리부(140)와; VSD 속도 및 토크, 온/오프 히스테리시스, 애프터쿨러 및 드라이어의 설정값을 동적으로 갱신하는 제어부(150);를 포함하여 구성함으로서, 공기압축기의 운전 상태를 진동·전류·온도·습도 등 복수 센서로 계측하고, 임베디드 시스템 기반의 신경망(CNN)으로 상태·부하율·신뢰도를 산출한 뒤, 그 결과에 따라 공기압축기 내 인버터(VSD)의 속도제어·ON/OFF 히스테리시스 및 애프터쿨러/드라이어에 대한 ON/OFF를 제어하여 예지진단 제어를 수행할 수 있다.

Inventors

  • 이정훈
  • 김태호
  • 류민영
  • 이성훈

Assignees

  • 주식회사 케이와이

Dates

Publication Date
20260506
Application Date
20251113

Claims (5)

  1. 공기압축기 설비(200)에 대해 AI 기반 예지진단 제어하는 공기압축기의 AI 기반 예지진단 제어부(100)에 있어서, 상기 공기압축기 설비(200)의 진동, 전류, 온도, 습도 신호를 수집하는 센서부(110)와; 상기 센서부(110)에서 수집한 센서 신호에 대해 A/D 변환, 동기화, 버퍼링하는 데이터 획득부(120)와; 상기 데이터 획득부(120)에서 획득한 데이터에 대해 신경망 추론을 수행하여 상태(정상/경고/고장)와 부하율을 산출하고, 드롭아웃 및 온도스케일링으로 예측신뢰도와 불확실도를 산출하는 임베디드 추론부(130)와; 상기 임베디드 추론부(130)의 결과를 입력받고, 제어부(150)의 제어를 받아 신뢰도 저하, 이상치 표식, 센서 오류, 구동 이상을 감지하여 상기 공기압축기 설비(200)에 대한 단계적 감속, 감압, 정지, 경보 릴레이 구동을 수행하는 안전 처리부(140)와; 상기 센서부(110), 상기 데이터 획득부(120), 상기 임베디드 추론부(130), 상기 안전 처리부(140)를 제어하고, 제어 파라미터 맵(154)에 따라 VSD 속도 및 토크, 온/오프 히스테리시스, 애프터쿨러 및 드라이어의 설정값을 동적으로 갱신하여 상기 공기압축기 설비(200)의 AI 기반 예지진단 제어를 수행하는 제어부(150); 를 포함하여 구성된 것을 특징으로 하는 공기압축기의 AI 기반 예지진단 제어 장치.
  2. 청구항 1에 있어서, 상기 임베디드 추론부(130)는, 상기 데이터 획득부(120)에서 데이터를 입력받고, 진동값, 전류값, 온도값, 습도값에 대해 FFT와 엔벨로프 분석을 포함한 전처리를 수행하여 동시 샘플링하고 원시 파형을 확보하는 전처리부(131)와; 상기 전처리부(131)의 결과를 입력받고, 창함수(윈도우), 대역필터, 엔벨로프 검출, 스펙트로그램 변환을 수행하여 베어링 결함 대역 및 시간-주파수 패턴을 포착하고, 스펙트럼 및 이미지형 특징으로 정규화하여 저차원 임베딩으로 변환하여 주파수/시간-주파수 특징 벡터를 산출하는 특징 추출부(132)와; 상기 특징 추출부(132)의 결과를 입력받고, 합성곱 스택→풀링→완전연결(FC)를 통과시킨 후 소프트맥스/회귀 헤드에서 상태(정상/경고/고장) 및 부하율(%)을 산출하며, 신뢰도와 불확실도는 드롭아웃 또는 온도 스케일링의 추정기로 병렬 산출하는 추론부(133)와; 상기 추론부(133)에서 제공된 상태, 부하율, 신뢰도를 상기 제어 파라미터 맵(154)에 전달하여, VSD, ON/OFF, 품질 설정값을 매핑하여 실시간 갱신하는 출력 진단부(134); 를 포함하여 구성된 것을 특징으로 하는 공기압축기의 AI 기반 예지진단 제어 장치.
  3. 청구항 1에 있어서, 상기 제어부(150)는, 상기 공기압축기 설비(200)의 초기 정상 운전 데이터를 수집해 센서 오프셋/노이즈 특성, 정상 주파수 밴드 정보를 포함한 데이터를 캘리브레이션하여 운전 패턴, 요일/시간대별 부하 특성을 확보하는 학습 운전부(151)와; 상기 학습 운전부(151)의 결과를 전달받고, 생산압력, 생산공기량, 리시버 탱크 용량 정보를 포함한 설비 파라미터를 등록하고, 이 정보가 n분 후 압력/유량 예측에 사용되어 부하율 연산과 제어영역 설정의 기준이 되도록 하는 기초정보 저장부(152)와; 상기 기초정보 저장부(152)의 결과를 전달받고, 예측된 부하율/압력과 신뢰도(conf)를 이용해 상기 제어 파라미터 맵(154)에서 VSD 제어범위(속도/토크), ON/OFF 히스테리시스 폭, 품질 설정값 보정량을 포함하여 결정하여 상기 공기압축기 설비(200)의 기초정보와 온라인 예측값을 결합해 스위칭 피로 감소, 에너지 절감, 품질 유지가 수행되도록 하는 AI 운전부(153); 를 포함하여 구성된 것을 특징으로 하는 공기압축기의 AI 기반 예지진단 제어 장치.
  4. 청구항 3에 있어서, 상기 AI 운전부(153)는, VSD 제어범위(속도/토크)의 경우 에너지 비용 계수와 부하율을 고려해 목표치를 배정하고, ON/OFF 히스테리시스 폭의 경우 ΔP = ΔP0 + k·(1-conf)로 가변(신뢰도 낮을수록 확대) 제어하고, 품질 설정값(set-point) 보정량의 경우 출구의 습도 또는 진동 상승 시 상향, 안정 시 완화하도록 제어하는 것을 특징으로 하는 공기압축기의 AI 기반 예지진단 제어 장치.
  5. 공기압축기 설비(200)와 공기압축기의 AI 기반 예지진단 제어부(100)를 구비한 공기압축기의 AI 기반 예지진단 제어 방법에 있어서, 상기 공기압축기 설비(200)의 센서 정보 수집하여 진동, 전류, 온도, 습도 신호를 동시 샘플링하는 센서 정보 수집 단계(ST1)와; 상기 센서 정보 수집 단계 후 윈도우, 필터, 엔벨로프, 스펙트로그램으로 특징을 생성하여 전처리 및 특징 추출을 수행하는 특징 추출 단계(ST2)와; 상기 특징 추출 단계 후 경량 CNN으로 상태와 부하율을 추정하고 신뢰도(conf)를 산출하는 AI 추론 수행 단계(ST3)와; 상기 AI 추론 수행 단계 후 예측신뢰도 또는 이상치를 판별하여, 정상이면 보수적 제어 적용과 안전 정지를 수행하고, 비정상이면 제어 파라미터 매핑을 수행하여 VSD 속도 또는 토크, ON/OFF 히스테리시스, 품질 설정값을 갱신하여 예지진단 제어를 수행하는 예지진단 제어 단계(ST4 ~ ST6)와; 상기 예지진단 제어 단계 후 신호, 예측, 제어명령을 로컬 저장장치에 시계열로 저장하고, 모델 성능을 재평가하여 검증하는 기록 로깅 단계(ST7); 를 포함하여 수행하는 것을 특징으로 하는 공기압축기의 AI 기반 예지진단 제어 방법.

Description

공기압축기의 AI 기반 예지진단 제어 장치 및 그 방법{Apparatus and method for AI-based predictive diagnostic control of air compressor} 본 발명은 공기압축기의 제어에 관한 것으로, 특히 공기압축기의 운전 상태를 진동·전류·온도·습도 등 복수 센서로 계측하고, 임베디드 시스템 기반의 신경망(CNN)으로 상태·부하율·신뢰도를 산출한 뒤, 그 결과에 따라 공기압축기 내 인버터(VSD, Variable Speed Driving)의 속도제어·ON/OFF 히스테리시스 및 애프터쿨러/드라이어에 대한 ON/OFF를 제어하여 예지진단 제어를 수행하기에 적당하도록 한 공기압축기의 AI 기반 예지진단 제어 장치 및 그 방법에 관한 것이다. 일반적으로 로봇 등 정밀제어 분야에서 공압식 시스템의 채택이 확대되면서, 공기압축기의 예지보전과 다운타임 저감 필요성이 커지고 있다. 유압식 대비 소음·유체 위험·에너지 사용 측면의 문제를 완화하려는 산업 요구와 맞물려, IoT·AI를 접목한 공기압축기 고장예지/제어가 요구된다. 종래에는 PC 기반 분석이나 단순 경보 수준의 고장진단이 주류였으나, 현장 환경에서는 마이크로컨트롤러/임베디드 PC를 이용한 독립형(stand-alone) 진단과 실시간 제어 연동이 필요하다. 초안의 고장진단 시스템 구성도(센서부-데이터획득부-고장진단부) 및 임베디드 CNN 학습·추론 체계가 그 방향성을 보여준다. 선행특허 1의 공기압축기 원격 모니터링을 통한 예지보전 서비스 제공(공개번호 10-2025-0040175) 기술은 현장 센서(온도/압력/전류/진동 등) → 게이트웨이/허브 → 클라우드 서버로 운전데이터 전송 → 서버측 분석/알림 → 유지보수 서비스(알람, 점검 일정·부품 교체 제안)로 이어지는 원격 모니터링 중심 구조이다. 그러나 이러한 선행특허 1은 서버 경보 위주라 현장 제어기(VSD 속도, ON/OFF 히스테리시스 등)에 즉시 매핑되는 AI 제어 전략이 약하고, 예측의 불확실도(신뢰도) 기반 안전모드 전환·보수적 제어가 구조적으로 빈약하다. 또한 애프터쿨러/에어드라이어의 습도·진동 피드백 품질제어까지 한 시스템에서 동시 최적화하는 구성은 포함되지 않은 한계가 있다. 선행특허 2의 인공지능 기반 스마트 공기 압축기 고장예측 진단 장치(공개특허 10-2025-0046041) 기술은 압축기 각부에 온도/압력/전류/진동 센서를 배치하고, 센서 측정 허브가 노이즈 보정 및 ADC 샘플링(1초 내 11개 센서 순차 다주기 평균) 후 예측 진단부가 고장 예측을 수행, 통신부가 클라우드·알림장치로 전송하는 구조로서, 센서 수, 배치, 샘플링·분주·보정 로직까지 상세히 개시되어 있다. 그러나 이러한 선행특허 2는 진단 중심으로서, 고장(정상/이상) 판정·통보가 메인이고, AI 진단 결과를 즉시 제어파라미터로 맵핑하여 VSD(Variable Speed Drive) 속도/토크·ON/OFF 제어를 동적으로 바꾸는 예측제어 폐루프는 제시되지 않은 한계가 있다. 또한 신뢰도 기반 안전전략 부재한 바, 샘플링·보정은 상세하나, 추론 불확실도(신뢰도) 추정→보수적 제어/안전정지 분기 같은 리스크 인지 제어 논리는 드러나지 않는다. 또한 품질설비 연동 최적화가 미흡하여, 애프터쿨러/드라이어의 습도·진동 기반 품질 설정값 제어 같은 하위 설비 연동 제어는 제시되어 있지 않다. 선행특허 3의 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법(등록특허 10-2140532) 기술은 운전정보로부터 출구압력·오일온도·필터차압 등 주요 고장인자를 선정해 정상/오류 패턴분석 및 마할라노비스-다구치(MTS) 등으로 고장시그널 정형화(예측·진단)하는 데이터 분석형 프레임 기술로서, 룸 환경(온도·습도·VOC) 상관관계도 개시되어 있다. 그러나 이러한 선행특허 3은 패턴매칭/시계열 분석을 통한 분류 중심으로, 현장 제어변수(속도/히스테리시스 등) 자동 조정을 거는 AI 제어 폐루프가 아니다. 또한 센서 및 특징 스펙트럼 제한이 있는 바, 대표 인자 중심(압력·온도·차압)이고, 진동 주파수도메인 특징→CNN 임베디드 추론과 같은 경량 딥러닝 엣지추론 파이프라인은 제안되지 않은 한계가 있다. 또한 불확실도 또는 안전모드가 부재한 바, 예측 신뢰도/이상치 대응에 따른 제어 안전분기 설계가 없는 한계가 있다. 선행특허 4는 공기압축기용 모터 센서리스 제어의 이상 진단 방법(공개특허 10-2023-0056874) 기술은 모터 기동 시 추정속도 기울기를 감시하여 이상 판단 → 전류 감소 제어를 가하며 기울기 감소량을 기준값과 비교 → 실패로 판단되면 정지·위치정렬 재시도, 정상 시 구동 지속. 모터 센서리스 제어의 복구성 향상에 초점이 있다. 이러한 선행특허 3는 모터 구동(센서리스) 이상 진단에 특화되어 있어, 압축기 전체(엔드·배관·냉각·부대설비)의 예지진단+예측제어 통합 구조가 아닌 한계가 있다. 또한 다변량 AI 기반 부하예측과 제어가 미흡한 바, 부하율 예측→제어파라미터 맵핑 같은 생산/수요 적응형 운전계획이 없는 한계가 있다. 이처럼 종래기술은 진동·전류·온도·습도 등 이기종 신호의 통합 추론과 신뢰도 반영 제어가 미흡하고, 예측 결과를 곧바로 VSD/ON·OFF/품질 제어로 연결하는 장치 내 폐루프가 부족하며, 생산압력·리시버 용량 등 설비별 기초정보를 반영한 체계적 운전전략이 정립되지 않은 한계가 있다. 도 1은 본 발명의 일 실시예에 의한 공기압축기의 AI 기반 예지진단 제어 장치의 블록구성도이다. 도 2는 도 1에서 임베디드 추론부의 상세블록도이다. 도 3은 도 1에서 제어부의 상세블록도이다. 도 4는 본 발명의 일 실시예에 의한 공기압축기의 AI 기반 예지진단 제어 방법을 보인 흐름도이다. 이와 같이 구성된 본 발명에 의한 공기압축기의 AI 기반 예지진단 제어 장치 및 그 방법의 바람직한 실시예를 첨부한 도면에 의거하여 상세히 설명하면 다음과 같다. 하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 판례 등에 따라 달라질 수 있으며, 이에 따라 각 용어의 의미는 본 명세서 전반에 걸친 내용을 토대로 해석되어야 할 것이다. 먼저 본 발명은 공기압축기의 운전 상태를 진동·전류·온도·습도 등 복수 센서로 계측하고, 임베디드 시스템 기반의 신경망(CNN)으로 상태·부하율·신뢰도를 산출한 뒤, 그 결과에 따라 공기압축기 내 인버터(VSD)의 속도제어·ON/OFF 히스테리시스 및 애프터쿨러/드라이어에 대한 ON/OFF를 제어하여 예지진단 제어를 수행하고자 한 것이다. 도 1은 본 발명의 일 실시예에 의한 공기압축기의 AI 기반 예지진단 제어 장치의 블록구성도이다. 공기압축기의 AI 기반 예지진단 제어부(100)는 공기압축기 설비(200)에 대해 AI 기반 예지진단 제어한다. 공기압축기의 AI 기반 예지진단 제어부(100)는 센서부(110), 데이터 획득부(120), 임베디드 추론부(130), 안전 처리부(140), 제어부(150)를 포함하여 구성된다. 센서부(110)는 입력 데이터의 원천이다. 그래서 공기압축기 설비(200)의 진동, 전류, 온도, 습도 신호를 동시 수집한다. 진동은 베어링·축정렬 등 기계적 이상 징후에 가장 민감한 신호로 핵심 피처로 취급한다. 센서부(110)의 입력은 물리량이고, 출력은 전기신호 또는 디지털 샘플이다. 진동은 고속 샘플링(예: 수 kHz 이상), 전류·온도·습도는 저·중속 샘플링으로 운용된다. 센서부(110)의 출력 신호는 데이터 획득부(120)로 전달된다. 데이터 획득부(120)는 신호 품질 확보와 전처리 진입을 수행한다. 데이터 획득부(120)는 센서부(110)에서 수집한 센서 신호에 대해 A/D 변환, 동기화, 버퍼링한다. 또한 데이터 획득부(120)는 예외 처리를 수행하는데, 포화, 클리핑, 센서단절 감지 시 임베디드 추론부(130)에는 신뢰도 하향 가중 또는 결측 마스킹을 전달하고, 안전 처리부(140)에는 경보 플래그를 전달한다. 임베디드 추론부(130)는 AI 예측의 핵심 기능을 수행한다. 그래서 임베디드 추론부(130)는 특징추출, 신경망 추론을 통해 상태(정상/경고/고장)와 부하율(%)을 산출하고, 드롭아웃·온도스케일링 등으로 예측신뢰도/불확실도도 산출한다. 최종 출력은 제어 파라미터 맵(154)으로 전달된다. 안전 처리부(140)는 보수 제어·정지의 기능을 수행한다. 그래서 안전 처리부(140)는 데이터 획득부(120)의 센서 오류, 임베디드 추론부(130)의 신뢰도 저하·이상치 표식, 제어부(150)의 구동 이상을 감시하여 단계적 감속/감압→정지, 경보 릴레이 구동을 수행한다. 제어부(150)는 예측 기반 파라미터 갱신과 실행을 제어한다. 이러한 제어부(150)는 제어 파라미터 맵(154)에 따라 VSD 속도/토크, ON/OFF 히스테리시스, 애프터쿨러·드라이어 설정값(set-point)을 동적으로 갱신하여 공기압축기 설비(200)에서 실행되도록 제어한다. 도 2는 도 1에서 임베디드 추론부의 상세블록도이다. 임베디드 추론부(130)는 전처리부(131) → 특징 추출부(132) → 추론부(133) → 출력 진단부(134) → 제어 파라미터 매퍼(154)로 이어지는 동작을 수행한다. 임베디드 추론부(130)는 입력 및 버퍼링을 수행한다. 임베디드 추론부(130)의 대상 신호는 모터·엔드 결합부의 진동값, 구동부 전류값, 열관리·품질 관련 온도값, 습도값으로서, 순환 버퍼에 동기화되어 수집된다. 임베디드 추론부(130)의 윈도우 관리는 실시간 슬라이딩 윈도우(예: N-point, 50% overlap)를 유지해 다음 단계의 전처리 지연을 최소화한다. 임베디드 추론부(130) 내의 전처리부(131)는 신호 정화·정규화 파이프라인이다. 전처리부(131)는 윈도우(창함수), 대역필터, 엔벨로프, 스펙트로그램을 조합해 각 신호를 학습 분포에 일치시키고, 임베디드 추론 연산량을 안정화한다. 또한 전처리부(131)는 FFT(32bit 부동소수점 기반의 Fast Fourier