KR101967301B1 - 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템 - Google Patents

Abstract

본 발명은 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템에 관한 것으로서, 회전체에 인가되는 입력 부하 또는 회전체를 통해 출력되는 출력 부하에 대한 시점별 신호를 획득하는 센싱부; 상기 시점별 신호를 시간과 주파수 성분으로 변환하여 이미지 형태로 변환시키는 변환부; 상기 변환부를 통해 변환된 이미지를 딥 러닝 모듈의 학습 입력 데이터로 처리하여 학습시키는 학습부; 상기 학습부를 통한 결과를 기반으로 해당 신호에서 추출된 특징에 따라 상기 회전체의 고장 여부를 진단하는 진단부; 및 네트워크에 연결되어 상기 학습부로 입력되는 학습 대상 데이터를 수집하는 수집부; 를 포함하는 것을 특징으로 한다.
이에 의해, 회전체의 한정된 실측 데이터를 웨이블렛 변환을 통해 2차원 이미지로 변환시키고 이를 딥 러닝 모듈을 통해 학습시킴으로써 회전체 고장에 대한 신호 특징을 스스로 추출하도록 하고, 딥 러닝 모듈에 입력되는 학습 데이터를 웹으로부터 수집 및 가공하여 학습 데이터의 양을 확장시킴으로써 고장 진단의 신뢰도를 극대화시킬 수 있다.

Description

학습 데이터 융합을 이용한 회전체의 고장 진단 시스템{Fault Diagnosis System For Rotating Device Using Convergence of Learning Data}

본 발명은 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템에 관한 것으로서, 보다 상세하게는, 회전체의 한정된 실측 데이터를 웨이블렛 변환을 통해 2차원 이미지로 변환시키고 이를 딥 러닝 모듈을 통해 학습시킴으로써 회전체 고장에 대한 신호 특징을 스스로 추출하도록 하고, 딥 러닝 모듈에 입력되는 학습 데이터를 웹으로부터 수집 및 가공하여 학습 데이터의 양을 확장시킴으로써 고장 진단의 신뢰도를 극대화시킬 수 있는 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템에 관한 것이다.

최근 산업계에서는 특정 운동(회전, 왕복, 병진)을 반복하는 부품의 고장 확률 및 잔존 수명을 예측하고 이에 근거한 수리 스케쥴, 부품 교체 시기 결정 및 부품 재고를 관리하는 기술이 활발하게 개발되고 있으며, 관련 분야는 부품 모니터링 및 상태 진단을 기본적으로 부품 및 시스템 유효 수명 진단 방향으로 응용 발전되고 있다.

회전운동을 반복하는 회전체, 예를 들면, 모터와 연동 회전하는 감속기의 효율은 토크와 RPM과 같은 감속기의 입력 부하(모터의 출력 부하)에 대한 감속기의 출력 부하의 비율로써 계산되며, 이러한 회전체의 입력 부하에 따른 출력 부하를 센싱하여 해당 회전체의 효율을 파악할 수 있다.

이러한 회전체의 효율을 기반으로 회전체의 고장 진단 및 잔존 유효 수명을 예측할 수 있었으며, 종래의 고장 진단 방법으로는 다양한 신호를 기반으로 개발자의 경험과 직관에 의해 고장 특징을 추출한 후 이러한 고장 특징들을 추출하도록 분류기를 기계학습시키는 방법이 대표적이다.

구체적으로, 회전체에서 발생되는 진동, 음향, 전류, 토크, RPM 등의 신호를 센싱하고 이러한 센싱값을 기반으로 선형 예측 계수를 통한 시계열 분석, 고속 퓨리에 변환을 통한 주파수 분석, 이산 분석을 통해 주파수 대역별 실효값과 분산을 분석한 후, 이들의 데이터에 대한 테스팅 및 타당성을 검증한 결과를 멀티레이어 퍼셉트론 네트워크를 통해 분류함으로써 고장 특징이 추출되는 방식이 채택되었다.

그러나 상기 방법은 개발자의 경험에 의해 성능이 좌우될 뿐만 아니라, 검증 대상에 따라 다른 추출 알고리즘을 적용해야 한다는 문제점이 있었다. 아울러 고장 특징 추출을 위해 고속 퓨리에 변환 등의 변환 과정 및 이들의 분산, 평균값 등을 수치화시키기 위한 전처리 과정이 필수적으로 선행되어야 한다는 문제점이 있었다.

관련된 종래 기술로는 대한민국 등록특허공보 등록번호 제10-1249576호(2013.04.01. 공고, 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치)가 있었으며, 전술한 바와 같이 센서에 의해 검출된 신호를 전처리하는 과정이 필수적으로 선행되어야 한다는 문제점이 있었다.

아울러, 상기 종래 기술은 실측된 센싱 데이터만을 기계학습의 학습 데이터로 이용함으로써 기계학습에 대한 패턴 분류의 신뢰도가 저하된다는 문제점이 있었다.

대한민국 등록특허공보 등록번호 제10-1249576호(2013.04.01. 공고, 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치)

본 발명은 상기 문제점을 해결하기 위하여 창작된 것으로써, 본 발명의 목적은, 회전체의 한정된 실측 데이터를 웨이블렛 변환을 통해 2차원 이미지로 변환시키고 이를 딥 러닝 모듈을 통해 학습시킴으로써 회전체 고장에 대한 신호 특징을 스스로 추출하도록 하고, 딥 러닝 모듈에 입력되는 학습 데이터를 웹으로부터 수집 및 가공하여 학습 데이터의 양을 확장시킴으로써 고장 진단의 신뢰도를 극대화시킬 수 있는 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템을 제공하는 데 있다.

본 발명은 상기 문제점을 해결하기 위하여 창작된 것으로써, 본 발명의 목적은, 회전체에 인가되는 입력 부하 또는 회전체를 통해 출력되는 출력 부하에 대한 시점별 신호를 획득하는 센싱부; 상기 시점별 신호를 시간과 주파수 성분으로 변환하여 이미지 형태로 변환시키는 변환부; 상기 변환부를 통해 변환된 이미지를 딥 러닝 모듈의 학습 입력 데이터로 처리하여 학습시키는 학습부; 상기 학습부를 통한 결과를 기반으로 해당 신호에서 추출된 특징에 따라 상기 회전체의 고장 여부를 진단하는 진단부; 및 네트워크에 연결되어 상기 학습부로 입력되는 학습 대상 데이터를 수집하는 수집부; 를 포함하는 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템에 의해 달성될 수 있다.

여기서, 상기 변환부는, 상기 시점별 신호를 웨이블렛 변환 기법을 통해 시간과 주파수 성분으로 변환시키는 제1변환부분; 및 상기 제1변환부분을 통해 변환된 신호를 소정의 기준 시간 동안 누적시켜 2차원 이미지로 변환시키는 제2변환부분; 을 포함하며, 상기 제1변환부분을 통한 신호 변환이 소정의 설정에 따라 복수회 진행된 후 얻어진 결과값이 상기 제2변환부분으로 적용되도록 마련될 수 있다.

또한, 상기 수집부는 시간과 주파수 성분을 포함하는 2차원 이미지를 랜덤하게 수집하도록 마련될 수 있다.

또는, 상기 수집부는 랜덤 데이터를 수집하도록 마련될 수도 있다.

여기서, 상기 랜덤 데이터는 상기 변환부에 입력되어 2차원 이미지로 변환된다.

또한, 상기 학습부는 이미지로 각각 변환된 센싱부 기반의 학습 데이터와 수집부 기반의 학습 데이터를 병합시켜 딥 러닝 모듈의 학습 입력 데이터로 처리하도록 마련될 수 있다.

또는, 상기 학습부는 이미지로 각각 변환된 센싱부 기반의 학습 데이터와 수집부 기반의 학습 데이터를 별도로 딥 러닝 모듈의 학습 입력 데이터로 처리하며, 상기 진단부는 상기 별도의 학습 결과를 기반으로 소정의 설정 하에서 추출된 특징에 따라 상기 회전체의 고장 여부를 진단하도록 마련될 수도 있다.

본 발명에 의해, 회전체의 한정된 실측 데이터를 웨이블렛 변환을 통해 2차원 이미지로 변환시키고 이를 딥 러닝 모듈을 통해 학습시킴으로써 회전체 고장에 대한 신호 특징을 스스로 추출하도록 하고, 딥 러닝 모듈에 입력되는 학습 데이터를 웹으로부터 수집 및 가공하여 학습 데이터의 양을 확장시킴으로써 고장 진단의 신뢰도를 극대화시킬 수 있다.

도 1 은 본 발명에 따른 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템의 구성을 나타낸 블럭도이며,
도 2 는 본 발명에 따른 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템의 웨이블렛 변환 기법을 통해 변환되는 형태를 나타내는 그래프이며,
도 3 은 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템의 2D 이미지의 변환 과정을 개념적으로 나타낸 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 구성을 상세히 설명하기로 한다.

이에 앞서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 설명을 생략하며, 본 발명에 따른 회전체는 감속기(바람직하게는, 인덕션 모터와 연동된 감속기)를 전제하여 설명하지만 이에 한정되지는 않으며 엔진, 동력 전달 장치 등에 이용되는 다양한 회전체로 마련될 수 있으며, 본 발명에서 기술하는 효율 예측 개념은 회전체 뿐만이 아닌 다양한 운동(왕복운동, 병진운동)을 수행하는 동력 전달체에도 적용될 수 있음을 밝혀둔다. 아울러, 회전체의 경우에는 도면에서와 같이 토크와 RPM이 입,출력 부하로 계측 및 적용되지만 왕복 또는 병진운동을 수행하는 부품의 경우 입, 출력 부하로 힘, 선속도, 운동 거리, 주파수 등의 데이터가 계측 및 적용될 수도 있다.

한편, 본 명세서 및 청구범위에 사용된 용어는 사전적인 의미로 한정 해석되어서는 아니되며, 발명자는 자신의 발명을 최선의 방법으로 설명하기 위해 용어의 개념을 적절히 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.

따라서, 본 명세서에 기재된 실시예 및 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 표현하는 것은 아니므로, 본 출원 시점에 있어 이들을 대체할 수 있는 다양한 균등물과 변형예들이 존재할 수 있음을 이해하여야 한다.

도 1 은 본 발명에 따른 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템의 구성을 나타낸 블럭도이며, 도 2 는 본 발명에 따른 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템의 웨이블렛 변환 기법을 통해 변환되는 형태를 나타내는 그래프이며, 도 3 은 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템의 2D 이미지의 변환 과정을 개념적으로 나타낸 도면이다.

도 1 내지 도 3 을 참조하면, 본 발명에 따른 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템은, 센싱부(10), 변환부(20), 학습부(30), 진단부(40) 및 수집부(50)를 포함한다.

센싱부(10)는 회전체에 인가되는 입력 부하 또는 회전체를 통해 출력되는 출력 부하에 대한 시점별 신호를 획득하는 역할을 수행하는 구성요소로 회전체의 입력 및 출력측에 설치되는 진동 감지 센서, 음향 감지 센서, 전류 감지 센서, 토크 및 RPM 측정 센서로 마련될 수 있다.

여기서, 상기 입력 부하 또는 출력 부하는 고장 진단 모듈의 설정에 따라 다양한 신호로 선택될 수 있으며, 바람직하게는, 회전체 상에서 감지되는 진동, 음향, 전류, 토크, RPM 신호 중 어느 하나로 마련될 수 있다.

변환부(20)는 상기 시점별 신호를 시간과 주파수 성분으로 변환하여 이미지 형태로 변환시키는 역할을 수행한다.

여기서, 상기 변환부(20)는 도 1 에서와 같이, 상기 시점별 신호를 웨이블렛 변환 기법을 통해 시간과 주파수 성분으로 변환시키는 제1변환부분(22) 및 상기 제1변환부분(22)을 통해 변환된 신호를 소정의 기준 시간 동안 누적시켜 2차원 이미지로 변환시키는 제2변환부분(24)을 포함한다.

여기서, 웨이블렛(wavelet)은 변하는 주파수와 한정된 시간 동안의 파형들을 의미하며, 웨이블렛 변환(wavelet transform)은 시간적으로 주파수 성분이 변하는 신호(센싱 데이터)에 대하여 시간과 주파수 성분을 나타내도록 변환시키는 방법을 의미한다.

종래의 고장 진단 방법에서의 푸리에 변환(Fourier transform)은 신호가 시간적으로 변하지 않는다는 가정에서 주파수 성분을 표시하는 것으로 특징 분류 및 추출에 한계가 있었으나 웨이블렛 변환은 도 2 에서와 같이, 시간(time)에 대하여 대역별 주파수(frequency) 성분이 표현되므로 푸리에 변환의 문제점을 극복할 수 있었다. 웨이블렛 변환의 특징으로는 낮은 주파수 성분은 높은 주파수 해상도로 표현(저주파 영역에서는 주파수 분해능이 높음)되며, 높은 주파수 성분은 시간 해상도를 높게 변환(고주파수 영역에서는 시간 분해능이 높음)함에 있으므로 본 발명이 목적하는 2차원 이미지 변환 데이터를 학습 데이터로 가공하여 딥 러닝을 통한 고장 특징 추출이 용이하게 달성될 수 있다.

구체적으로 도 3 에서와 같이, 센싱부(10)로부터 획득된 데이터는 상기 제1변환부분(22)에 의해 웨이블렛 변환되어 시간에 따른 주파수 대역 별 파형을 얻을 수 있으며, 이러한 정보가 상기 제2변환부분(24)에 의해 시점별 신호를 기준으로 누적되어 2D 이미지 형태로 변환된다.

즉, 상기 제1변환부분(22)은 센싱 데이터에 대하여 웨이블렛 변환을 수행하는 구성요소이며, 상기 제2변환부분(24)은 상기 제1변환부분(22)을 통해 웨이블렛 변환된 데이터를 2D 이미지로 변환시켜 학습 데이터 형태로 가공하는 구성요소인 것이다. 이렇게 가공된 학습 데이터는 후술할 학습부(30)로 전달되어 딥 러닝 기법에 의한 학습이 이루어지게 된다.

여기서, 상기 제1변환부분(22)에서의 웨이블렛 변환 동작은 소정의 설정에 따라 다단계 또는 복수회 진행되며, 이러한 설정에 따라 얻어진 결과값이 상기 제2변환부분(24)에 적용되어 시간과 주파수를 기준으로 누적된 형태의 2D 이미지, 즉, 학습 데이터로 변환된다.

학습부(30)는 상기 변환부(20)를 변환된 이미지를 딥 러닝 모듈의 학습 입력 데이터로 처리하여 학습시키는 역할을 수행하는 구성요소로서, 상기 딥 러닝 모듈은 CNN(Convolutional Neural Network) 구조를 기반으로 마련될 수 있다.

상기 CNN은 인공 신경 회로망(ANN, Artificial Neural Networks)의 일종으로, 인공 신경 회로망은 신경 뉴런(Neuron) 구조를 본따 만든 것으로 뉴런과 뉴런 사이의 시냅스(Synapse)의 연결 구조를 본따 패턴이나 알고리즘을 학습할 수 있도록 만들어진 망으로써 입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 형태를 기본으로 각 층의 방식에 따라 다양한 종류로 나눌 수 있다.

여기서, 상기 CNN은 한개 이상의 Convolutional Layer 위에 올려진 일반적인 ANN Layer로 구성되며 가중치(Weight)와 통합 계층(pooling layer)들을 추가로 사용하며, 2차원 구조의 입력 데이터를 처리할 수 있으며 특히, 영상 분야에서 좋은 성능을 보여준다. 바람직하게는, 상기 CNN은 이미지의 2차원 구조를 잘 이용할 수 있으며, 선훈련에 의한 장점도 취할 수 있는 CDBN(Convolutional Deep Belief Network)로 마련됨으로써 본 발명의 이미지 데이터 학습을 통한 특징 추출에 적합한 신경망으로 선택될 수 있는 것이다.

진단부(40)는 상기 학습부를 통한 학습 결과(딥 러닝을 통한 패턴 분류)를 기반으로 해당 신호에서 추출된 특징에 따라 상기 회전체의 고장 여부를 진단하는 역할을 수행하는 구성요소로써, 고장 진단 모델을 포함하여 구성될 수 있으며, 입력 데이터에 근거하여 딥 러닝을 통해 추출된 특징에 따라 해당 회전체의 고장 여부를 판단하도록 마련될 수 있다.

수집부(50)는 본 발명의 특징적 구성으로 네트워크에 연결되어 상기 변환부(20) 또는 학습부(30)에 입력되는 데이터를 수집하는 역할을 수행하며, 실질적으로 상기 딥 러닝 모듈에 입력되는 학습 데이터를 웹으로부터 수집 및 가공하여 학습 데이터의 양을 확장시킴으로써 고장 진단의 신뢰도를 극대화시키기 위한 구성이다.

여기서, 상기 수집부(50)의 설정은 수집 대상의 종류에 따라 아래와 같이 나뉠 수 있다.

첫째, 수집부(50)가 시간과 주파수 성분을 포함하는 2차원 이미지를 랜덤하게 수집하도록 설정되는 경우이며, 이 경우 수집부(50)에서 수집된 웹 데이터는 바로 학습부(30)로 전달되어 딥 러닝 기반의 학습이 진행된다.

즉, 수집부(50)가 2차원 이미지 데이터를 수집하도록 설정되는 경우, 본 발명의 변환부(20)를 통한 웨이블렛 변환 및 2차원 이미지 변환이 이루어질 필요가 없으며 수집된 데이터가 바로 학습 대상 데이터로 적용되는 것이다.

여기서, 2차원 이미지를 랜덤하게 수집하여 학습 데이터로 이용함으로써 한정적인 실측 데이터 변환을 통한 학습 데이터의 양을 보충할 수 있게 되며, 이러한 과정이 반복 수행됨으로써 학습부(30)를 통한 딥 러닝의 학습 결과의 신뢰도가 높아지게 된다.

둘째, 수집부(50)가 랜덤 데이터를 수집하도록 설정되는 경우이며, 이 경우 수집부(50)에서 수집된 웹 데이터는 상기 변환부(20)로 전달되어 해당 데이터에 대한 웨이블렛 변환 및 2차원 이미지 변환 과정이 진행된다.

즉, 수집부(50)가 랜덤 데이터를 수집하도록 설정되는 경우, 본 발명의 딥 러닝 모듈에 학습 데이터로 입력되기 위한 데이터 변환 과정이 요구되며, 센싱부(10)를 통한 데이터 변환과 동일하게 시간과 주파수 성분을 시점 기분으로 누적시켜 2차원 이미지 형태로 변환하여 학습 데이터로 가공하는 것이다. 이 경우에도 학습 데이터의 총량은 증가하므로 학습부(30)를 통한 딥 러닝의 학습 결과의 신뢰도가 높아지게 된다.

한편, 전술한 바와 같이 수집부(50)를 통해 학습 데이터의 양을 늘릴 경우 센싱부(10)를 기반으로 한 학습 데이터(이하, '실측 학습 데이터'라고 함)와 수집부(50)를 기반으로 한 학습 데이터(이하, '웹 학습 데이터'라고 함)로 학습 데이터가 분류될 수 있으며 아래와 같이 학습 데이터의 처리에 대한 과정이 구분될 수도 있다.

첫째, 실측 학습 데이터와 웹 학습 데이터를 서로 병합시킨 후 딥 러닝 모듈의 학습 입력 데이터로 처리하여 학습을 진행하는 방법이며, 둘째, 실측 학습 데이터와 웹 학습 데이터를 각각 딥 러닝 모듈을 통해 학습시키고 각각의 학습 결과를 진단부(40)로 전달하여 진단부(40)에서 최종적인 고장 특징을 추출(각 결과에 대한 가중치 부여를 통한 결과값 산출 등의 방법)하여 고장 여부를 진단하는 방법이다.

전술한 두 가지의 학습 데이터의 처리는 회전체의 종류, 특성, 스펙 등의 사양 및 요구 설정에 따라서 적합하게 선택되어 고장 진단 시스템의 세부 구성으로 마련되는 것이 바람직하다.

전술한 바와 같이, 본 발명에 따른 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템은, 회전체의 한정된 실측 데이터를 웨이블렛 변환을 통해 2차원 이미지로 변환시키고 이를 딥 러닝 모듈을 통해 학습시킴으로써 회전체 고장에 대한 신호 특징을 스스로 추출하도록 하고, 딥 러닝 모듈에 입력되는 학습 데이터를 웹으로부터 수집 및 가공하여 학습 데이터의 양을 확장시킴으로써 고장 진단의 신뢰도를 극대화시킬 수 있다.

이상, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명의 기술적 사상은 이러한 것에 한정되지 않으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해, 본 발명의 기술적 사상과 하기 될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형 실시가 가능할 것이다.

*도면의 주요부분에 대한 부호의 설명*
10 : 센싱부
20 : 변환부
22 : 제1변환부분 24 : 제2변환부분
30 : 학습부
40 : 진단부
50 : 수집부

Claims (7)

1. 회전체에 인가되는 입력 부하 또는 회전체를 통해 출력되는 출력 부하에 대한 시점별 신호를 획득하는 센싱부;
   상기 시점별 신호를 시간과 주파수 성분으로 변환하여 이미지 형태로 변환시키는 변환부;
   상기 변환부를 통해 변환된 이미지를 딥 러닝 모듈의 학습 입력 데이터로 처리하여 학습시키는 학습부;
   상기 학습부를 통한 결과를 기반으로 해당 신호에서 추출된 특징에 따라 상기 회전체의 고장 여부를 진단하는 진단부; 및
   네트워크에 연결되어 상기 학습부로 입력되는 학습 대상 데이터를 수집하는 수집부를 포함하되,
   상기 변환부는, 상기 시점별 신호를 웨이블렛 변환 기법을 통해 시간과 주파수 성분으로 변환시키는 제1 변환부분과, 상기 제1 변환부분을 통해 변환된 신호를 소정의 기준 시간 동안 누적시켜 2차원 이미지로 변환시키는 제2 변환부분을 포함하며, 상기 제1 변환부분을 통한 신호 변환이 소정의 설정에 따라 복수회 진행된 후 얻어진 결과값이 상기 제2 변환부분으로 적용되며,
   상기 수집부는 시간과 주파수 성분을 포함하는 2차원 이미지를 랜덤하게 수집하도록 마련됨과 아울러 랜덤 데이터를 수집하도록 마련되며,
   상기 랜덤 데이터는 상기 변환부에 입력되어 2차원 이미지로 변환되며,
   상기 학습부는 이미지로 각각 변환된 센싱부 기반의 학습 데이터와 수집부 기반의 학습 데이터를 병합시켜 딥 러닝 모듈의 학습 입력 데이터로 처리하거나, 이미지로 각각 변환된 센싱부 기반의 학습 데이터와 수집부 기반의 학습 데이터를 별도로 딥 러닝 모듈의 학습 입력 데이터로 처리하며,
   상기 진단부는 상기 별도의 학습 결과를 기반으로 소정의 설정 하에서 추출된 특징에 따라 상기 회전체의 고장 여부를 진단하도록 마련되는 것을 특징으로 하는 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 삭제

Images