머신러닝을 이용한 블레이드 러빙 조기 진단에 관한 연구

국문 초록 (Abstract)

일반적으로 발전소에서 가스터빈의 효율향상을 위해 블레이드와 케이싱의 간극을 줄이도록 설계된다. 하지만 이는 블레이드 마찰을 발생시킬 가능성이 매우 크다. 블레이드 러빙은 블레이드 고장 중의 하나이며, 가스터빈의 전체 결함 중에 블레이드 고장은 42%로 높은 비중을 차지한다. 이러한 블레이드 러빙이 발생하면 성능 감소뿐만 아니라 심할 경우 다른 설비에 영향을 주며 다른 결함을 유발하기도 한다. 이에 따라 블레이드 러빙의 조기진단에 관한 연구가 활발히 진행되고 있다.
본 연구에서는 블레이드 러빙 조기 진단을 위해 기계학습 기반 진단 방법을 이용하였으며, 두 가지의 연구 모델을 이용하여 결함을 모사하였다. 첫 번째로, RK4(Rotor-kit)를 이용하여 단일결함(Blade Rubbing, Shaft Rubbing, Misalignment) 및 복합결함 모사였다. 이후 이러한 결함을 진단할 때, 기계학습 기반 진단 방법이 적절한지 검토하였다. 확인 결과, 회전설비의 단일 결함 및 복합결함의 분류성능이 100%로 나타났으며, 기계학습 진단 방법의 적합성을 확인하였다.
실질적으로 블레이드 러빙은 과도한 축 진동, 열응력에 의한 뒤틀림, 정렬불량 등으로 인해 발생한다. 두번째로, 이러한 블레이드 러빙현상을 모사하기 위해 러빙시험장치를 제작하였다. 불평형 질량으로 과도한 축 진동이 나타나며, 이러한 축 진동에 의해 블레이드 러빙이 발생하도록 모사하였다. 불평형 질량을 증가시키면서 블레이드 러빙의 심각도 또한 증가되도록 모사하였다. 이후 기계학습 기반 진단 기술을 적용하여 블레이드 러빙의 발생 유무의 결과 및 심각도에 따른 경향성을 확인하였다. 확인 결과 블레이드 러빙의 심각도가 커질수록 결과 또한 커지는 경향을 확인하였다. 하지만 불평형만을 모사한 결과와 유사한 경향을 나타내었다. 이후 신호처리를 이용하여 기계학습 진단방법을 적용하였다. 적용 결과, 불평형의 결과와 블레이드 러빙의 결과가 다른 경향성이 나타나며, 접촉 이전에 다른 트렌드가 나타나는 것을 확인하였다. 이는 블레이드 러빙 조기진단이 가능할 것이라 판단된다.
이러한 기계학습 진단 방법은 블레이드 러빙을 포함한 회전설비 결함 진단에 적합하다고 판단되며, 더 나아가 블레이드 러빙의 조기진단 또한 가능하다고 판단된다.

다국어 초록 (Multilingual Abstract)

In general, the plant is designed to reduce the gap between blades and casing to improve the efficiency of the gas turbine. However, this is highly likely to cause blade rubbing. Blade rubbing is one of the blade failure reason, blade failures in gas turbine problems are 42% with account for a high proportion. This Blade rubbing not only reduces performance, but also in severe cases affects other machinery and causes other faults. As a result, recently the research about early diagnosis of blade rubbing have been developing.
In this paper, machine learning-based diagnostic methods are used for blade rubbing early diagnosis, and the faults are simulated using two experimental models. First, it used RK4 (Rotor-kit) to simulate a single fault(Blade Rubbing, Shaft Rubbing, Misalignment) and complex faults. And then, when diagnosing these faults, confirmed whether machine learning-based diagnostic methods are proper. As a result, the classification performance of single faults and complex faults was found to be 100%, and the suitability of the machine learning diagnosis method for rotating machinery was confirmed.
Blade rubbing in the field is caused by excessive rotor vibration, misalignment, and insufficient clearance. So in the second experiment, new rubbing test device was manufactured to simulate blade rubbing. Excessive rotor vibration is generated by an unbalance mass, and blade rubbing is occurred by excessive rotor vibration. Additionally, the severity of blade rubbing was also simulated while increasing the unbalance mass. And then, machine learning-based diagnostic methods were applied, trend according to the severity of blade rubbing were confirmed. As a result, it was possible to confirm the severity of blade rubbing. However, the trend was similar to the result of simulating only the unbalance. It is difficult to distinguish whether this is an increase due to unbalance or an increase due to blade rubbing. Thus, after performing signal processing, machine learning diagnostic methods applied. As a result, it was confirmed that the results of the unbalance and blade rubbing represent different trends, and possible to distinguish unbalance from blade rubbing before blade rubbing occurs.
These machine learning diagnostic methods will be able to diagnose rotating machinery faults like blade rubbing, furthermore, early diagnosis of blade rubbing will be possible.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 배경 1
• 2. 연구 동향 및 목적 2
• Ⅱ. 이론적 배경 4
• 1. 기계학습(Machine Learning) 기반 진단 4
• 2. 유전 알고리즘 6
• 3. 서포트 벡터 머신 8
• Ⅲ. 머신러닝을 이용한 회전체 결함 진단 가능성 검토 9
• 1. 연구모델 및 방법 9
• 2. 데이터 취득 방법 10
• 3. 데이터 취득 장비 및 센서 14
• 4. 머신러닝 적용 결과 및 평가 16
• Ⅳ. 결함 정도 별 경향성 분석 및 평가 21
• 1. 연구모델 및 방법 21
• 2. 데이터 취득 장비 및 사양 25
• 3. 데이터 취득 방법 26
• 4. 정도 별 경향성 결과 및 평가 30
• Ⅴ. 결론 37
• 참고 문헌 39