딥러닝 기반 진동 신호를 이용한 파이프 내 막힘 현상 탐지 방법 연구

Abstract

파이프는 많은 양의 유체를 계속해서 운반해야 하는 현대에 빼놓을 수 없는 가장 중요한 발명품 중 하나이다. 하지만 매우 많은 양이 운반되는 기름과 가스의 경우 정제 전 다량의 불순물을 내포하고 있으며 운송 과정이 고온 고압의 조건이기에 파이프에 많은 문제가 생기곤 한다. 특히 아무리 파이프 외부를 튼튼하게 만들어도 파이프 내부에 불순물이 굳어져 파이프를 막아 경제적 손실을 입히는 것은 피할 수 없는 실정이다. 본 연구에서는 이러한 파이프 내 막힘 현상에 대하여 기존 파이프 내 막힘 현상을 탐지하기 위해 거의 사용되지 않던 파이프 외부에 가속도계를 부착하여 간단하게 습득한 진동 신호를 이용하여 파이프 내 변화를 탐지하는 방법을 적용하였다. 기존 파이프 내 막힘 현상은 파이프 내 문제를 일으키는 심각한 정도의 막힘 현상에 대한 연구가 주로 이루어졌다. 가속도계를 통하여 취득한 고차원의 비정형 시계열 진동 신호는 파이프 내 얇은 실험 시편에 대하여 기존의 방법들로는 정상 상태와 구분이 어려웠지만, 본 연구에서는 최근 산업에서 이상 탐지를 위하여 많이 사용되는 합성 곱 신경망을 적용하여 매우 얇은 두께의 막힘 현상 또한 분류가 가능함을 다양한 시편의 두께와 유속 조건의 실험실 내 실험데이터를 통하여 증명하였다. 입력데이터로 1차원 시계열 진동 신호를 사용했을 때 합성곱 신경망의 분류 성능은 평균 99% 이상의 정확도를 보여주었고 이미지 분류에서 많이 사용되는 Mel-spectrogram을 이용한 2차원 데이터를 이용한 합성곱 신경망의 분류 성능은 97% 이상을 보여주었다. 본 연구를 통해 파이프 내부의 문제를 파이프를 파괴하지 않고도 간단한 가속도계를 부착하여 파이프내 막힘 현상을 조기에 탐지하여 적절한 조치를 취하여 파이프에서 발생하는 문제를 감소시켜 경제적 효과를 불러일으킬 수 있을 것으로 기대한다.

Pipes are one of the most important inventions in modern times, where large volumes of fluid must be continuously transported. However, in the case of oil and gas transported in a very large amount, it contains a large amount of impurities before refining, and the transportation process is a high temperature and high-pressure condition, so there are many problems in the pipe. In particular, no matter how strong the outside of the pipe is, it is unavoidable that impurities will harden inside the pipe and block the pipe, causing economic loss. In this study, a method of pipe blockage detection using a vibration signal simply by attaching an accelerometer to the outside of a pipe, which was rarely used to detect clogging in a pipe, was applied in this study. Existing pipe clogging has been mainly studied for severe clogging that causes problems in pipes. It was difficult to distinguish the high-dimensional time-series vibration signal obtained through the accelerometer from the steady state with the conventional methods for thin test specimens in the pipe. It was proved through the experimental data in the laboratory of various specimen thicknesses and flow rate conditions that the clogging phenomenon of thin thickness can also be easily classified. When a one-dimensional time series vibration signal was used as input data, the classification performance of the convolutional neural network showed an average accuracy of 99% or more, and the classification performance of the convolutional neural network using two-dimensional data using Mel-spectrogram, which is widely used in image classification, was showed more than 97%. Through this study, it is expected that the problem in the pipe will be reduced by attaching a simple accelerometer to the problem inside the pipe without destroying the pipe, and the clogging phenomenon in the pipe is detected early, and appropriate measures are taken to reduce the problem in the pipe.