KR102398046B1 - 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법 - Google Patents

비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법 Download PDF

Info

Publication number
KR102398046B1
KR102398046B1 KR1020210031583A KR20210031583A KR102398046B1 KR 102398046 B1 KR102398046 B1 KR 102398046B1 KR 1020210031583 A KR1020210031583 A KR 1020210031583A KR 20210031583 A KR20210031583 A KR 20210031583A KR 102398046 B1 KR102398046 B1 KR 102398046B1
Authority
KR
South Korea
Prior art keywords
domain
source
target
state
classifier
Prior art date
Application number
KR1020210031583A
Other languages
English (en)
Inventor
윤병동
이진욱
김명연
고진욱
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020210031583A priority Critical patent/KR102398046B1/ko
Application granted granted Critical
Publication of KR102398046B1 publication Critical patent/KR102398046B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

비지도 도메인 적응 기법을 통해 표지가 지정된 정보가 있는 설비의 데이터에서 얻은 정보를 전이 학습하여 표지가 지정되지 않은(unlabeled) 설비의 진단 정확도를 향상시킬 수 있는 고장 진단 장치 및 이를 이용한 고장 진단 방법을 제공한다.
본 발명의 일 실시예에 따른 고장 진단 장치는, 소스 도메인으로부터 소스 데이터 및 타겟 도메인으로부터 타겟 데이터를 입력받아 각각의 특성인자를 추출하는 특성인자 추출부와, 상기 추출된 소스 도메인의 특성인자와 타겟 도메인의 특성인자를 입력받아 상기 소스 도메인과 상기 타겟 도메인 내의 클래스 분포의 불일치가 조정된 상태 진단 모델을 획득하는 상태 분류기 및 상기 추출된 소스 도메인의 특성인자와 타겟 도메인의 특성인자를 입력받고, 상기 획득된 상태 진단 모델의 수렴성을 판단하는 도메인 분류기를 포함하는 것을 특징으로 한다.

Description

비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법{FAULT DIAGNOSIS DEVICE USING UNSUPERVISED DOMAIN ADAPTATION TECHNIQUE AND FAULT DIAGNOSIS METHOD USING THE SAME}
본 발명은 고장 진단 장치 및 이를 이용한 고장 진단 방법에 관한 것으로서, 상세하게는 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법에 관한 것이다.
회전체 시스템(Rotating System)은 많은 기계시스템에서 활용되고 있으며, 로터(Rotor), 샤프트(Shaft) 및 로터를 부드럽게 회전시키기 위한 베어링(Bearing)을 포함하여 구성될 수 있다.
회전체 시스템은 운영상의 오류나 노후화 등으로 인해 고장, 결함의 발생 가능성이 있다. 특히 대형 설비의 경우 고장 발생 시 큰 손실 및 안전사고로 이어지게 되므로, 주기적인 유지보수가 필수적으로 요구된다. 그러나, 주기적인 유지보수는 시스템의 상태에 상관없이 진행되기 때문에 많은 비용이 소요되며, 주기적인 점검으로 인해 운용 시간을 줄이는 문제를 야기한다. 이를 해결하기 위해 사전에 고장을 진단하는 고장 진단 기술에 대한 연구가 활발히 진행되고 있다.
최근에는 센서 기술, 데이터 처리 기술 등의 발달로 데이터 기반 고장 진단 기술 개발이 활발히 이루어지고 있으며, 이 중에서 인공 신경망(Artificial Neural Network, ANN) 기반의 분류 기법을 활용한 고장 진단 기술 개발에 대한 연구가 증가하고 있다.
데이터 기반 고장 진단 기술은 일반적으로 획득된 센서 데이터로부터 회전체 시스템의 상태를 대변할 수 있는 특성인자를 추출하여 회전체 시스템의 상태 및 고장 진단을 수행하는 방법이며, 그 중에서 인공 신경망 기반의 방식은 인공 신경망을 활용하여 특성인자 추출 및 상태 진단에 대한 학습을 수행하는 방식을 의미한다.
전술한 인공지능 기반 건전성 관리 기술에 있어서, 종래의 기술들은 많은 양의 고장 정보가 있는, 즉 표지 데이터(labeled data)가 있는 데이터 기반의 지도 학습(Supervised learning) 방법론을 사용하였다.
종래 기술에서는 상기 지도 학습 기반 방법을 이용하여 회전체(rotating machinery)를 포함하는 설비의 각 부분에 설치된 다양한 센서에서 취득한 신호(온도, 압력, 진동 등)에 분류 성능이 뛰어난 인공 신경망 혹은 이미지에서 효과적으로 패턴을 추출하는 합성곱 신경망(Convolutional Neural Network, CNN) 등을 활용하여 설비의 건전성을 진단하였다.
그러나, 전술한 실제 산업 현장에서의 설비의 대부분은 정상 상태일 경우 뿐만 아니라 고장이 발생한 경우에 고장의 정확한 발생 시점을 알 수 없기 때문에 표지를 지정하는 것이(labeling)을 하는 것이 용이하지 않은 문제점 이 있다.
또한, 특정 설비에서 표지 정보가 있는 데이터를 취득하더라도 동일 설비에서 운행 조건의 변화 등에 의해 취득한 신호의 양상이 일치하지 않을 뿐만 아니라 제작사, 용량 등 기존 설비와의 변화가 큰 다른 설비에서 취득된 신호는 그 차이가 더욱 두드러지는 문제점이 있다.
따라서, 지도 학습 기반의 진단 기술 적용이 불가능하거나, 기존 설비의 데이터로 학습한 모델을 사용시 다른 설비의 건전성을 오진단할 확률이 매우 높다.
등록특허공보 제 10-2133385호
본 발명은, 비지도 도메인 적응 기법을 통해 표지가 지정된 정보가 있는 설비의 데이터에서 얻은 정보를 전이 학습하여 표지가 지정되지 않은(unlabeled) 설비의 진단 정확도를 향상시킬 수 있는 고장 진단 장치 및 이를 이용한 고장 진단 방법을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 고장 진단 장치는, 소스 도메인으로부터 소스 데이터 및 타겟 도메인으로부터 타겟 데이터를 입력받아 각각의 특성인자를 추출하는 특성인자 추출부와, 상기 추출된 소스 도메인의 특성인자와 타겟 도메인의 특성인자를 입력받아 상기 소스 도메인과 상기 타겟 도메인 내의 클래스 분포의 불일치가 조정된 상태 진단 모델을 획득하는 상태 분류기 및 상기 추출된 소스 도메인의 특성인자와 타겟 도메인의 특성인자를 입력받고, 상기 획득된 상태 진단 모델의 수렴성을 판단하는 도메인 분류기를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 고장 진단 장치는 상기 소스 도메인에 대한 분류 손실이 최소화되도록 상기 특성인자 추출부와 상기 상태 분류기를 학습하고, 상기 특성인자 추출부가 상기 소스 도메인 및 상기 타겟 도메인에 대하여 도메인 불변의 특성인자들을 추출하도록 상기 특성인자 추출부를 학습하는 것을 특징으로 한다.
바람직하게는, 상기 상태 분류기는 상기 소스 도메인의 특성인자와 상기 타겟 도메인의 특성인자를 복수의 클래스로 분류하고, 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치를 최소화하는 제 1 분류기 및 제 2 분류기를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 상태 분류기는 상기 특성인자 추출부를 고정한 상태에서, 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인 및 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최대화하도록 학습을 수행하는 것을 특징으로 한다.
바람직하게는, 상기 특성인자 추출부는 상기 상태 분류기를 고정한 상태에서 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인 및 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최소화하도록 학습을 수행하는 것을 특징으로 한다.
바람직하게는, 상기 도메인 분류기는 상기 획득된 상태 진단 모델의 수렴성 판단을 위한 도메인 혼동 지수(domain confusion index)를 정의하고, 상기 도메인 혼동 지수가 최적값으로 수렴하는지 여부를 판단하여 상기 상태 진단 모델의 최적화 여부를 판단하는 것을 특징으로 한다.
바람직하게는, 상기 소스 도메인으로부터 상기 소스 데이터를 획득하고, 상기 타겟 도메인으로부터 상기 타겟 데이터를 획득하는 데이터 획득부를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 데이터 획득부를 통해 획득된 상기 소스 데이터 및 상기 타겟 데이터에 대해 신호 처리를 수행하는 데이터 처리부를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 도메인 분류기를 통해 수렴된 상태 진단 모델을 기준으로 상기 타겟 도메인의 타겟 데이터에 대해 고장 진단을 수행하는 상태 진단부를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 소스 도메인과 상기 타겟 도메인은 서로 다른 설비이며, 상기 소스 데이터와 상기 타겟 데이터는 진동 신호인 것을 특징으로 한다.
본 발명의 일 실시예에 따른 고장 진단 장치를 이용한 고장 진단 방법은, 소스 도메인에 대한 분류 손실이 최소화되도록 상기 고장 진단 장치에 구비된 특성인자 추출부와 상태 분류기를 학습하는 단계와, 상기 특성인자 추출부가 상기 소스 도메인 및 타겟 도메인에 대하여 도메인 불변의 특성인자들을 추출하도록 상기 특성인자 추출부를 학습하는 단계와, 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치를 최소화하도록 상기 특성인자 추출부와 상기 상태 분류기를 학습하는 단계 및 상기 특성인자 추출부와 상기 상태 분류기의 학습에 따라 획득된 상태 진단 모델의 수렴성을 판단하는 단계를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치를 최소화하도록 상기 특성인자 추출부와 상기 상태 분류기를 학습하는 단계는, 상기 특성인자 추출부를 고정한 상태에서 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최대화하도록 상기 상태 분류기를 학습하는 단계 및 상기 상태 분류기를 고정한 상태에서 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인 및 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최소화하도록 상기 특성인자 추출부를 학습하는 단계를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 획득된 상태 진단 모델의 수렴성을 판단하는 단계는, 상기 획득된 상태 진단 모델의 수렴성 판단을 위한 도메인 혼동 지수를 정의하는 단계 및 상기 도메인 혼동 지수가 최적값으로 수렴하는지 여부를 판단하여 상기 상태 진단 모델의 최적화 여부를 판단하는 단계를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 소스 도메인에 대한 분류 손실이 최소화되도록 상기 고장 진단 장치에 구비된 특성인자 추출부와 상태 분류기를 학습하는 단계 이전에, 상기 소스 도메인으로부터 소스 데이터를 획득하고, 상기 타겟 도메인으로부터 타겟 데이터를 획득하는 단계 및 상기 획득된 소스 데이터 및 타겟 데이터에 대해 신호 처리를 수행하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 획득된 상태 진단 모델의 수렴성을 판단하는 단계 이후에, 상기 수렴된 상태 진단 모델을 기준으로 상기 타겟 도메인의 타겟 데이터에 대해 고장 진단을 수행하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 소스 도메인과 상기 타겟 도메인은 서로 다른 설비이며, 상기 소스 데이터와 상기 타겟 데이터는 진동 신호인 것을 특징으로 한다.
본 발명에 따르면, 비지도 도메인 적응 기법을 통해 표지가 지정된 데이터가 포함된 소스 도메인에서 얻은 소스 데이터를 전이 학습하여 표지가 지정되지 않은 데이터가 포함된 타겟 도메인에 포함된 타겟 데이터의 진단 정확도를 향상시킬 수 있다.
또한, 표지가 지정된 데이터의 부족으로 인한 기존 고장 진단 기술의 단점을 보완하고, 고장 진단 모델 학습의 효율성 및 강건성이 향상되는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 고장 진단 장치를 나타낸 도면이다.
도 2는 설비의 건전성 상태별 진동 신호를 나타낸 도면이다.
도 3은 고장 진단 장치에서 레이블(label) 정보가 있는 소스 도메인의 소스 데이터를 분류하는 특성인자를 추출하는 과정을 나타낸 도면이다.
도 4는 고장 진단 장치에서 소스 도메인과 타겟 도메인 사이의 분류가 잘 되지 않는 도메인 불변의(domain-invariant) 특성인자를 추출하는 과정을 나타낸 도면이다.
도 5는 불일치 손실(discrepancy loss)의 개념을 나타낸 도면이다.
도 6 및 도 7은 고장 진단 장치에 구비된 상태 분류기를 통해 소스 도메인과 타겟 도메인 내의 클래스 분포의 불일치를 조정하는 과정을 나타낸 도면이다.
도 8은 고장 진단 장치에 구비된 도메인 분류기를 이용하여 도메인 혼동 지수를 통해 상태 진단 모델의 최적화 여부를 판단하는 과정을 나타낸 도면이다.
도 9는 고장 진단 장치에 구비된 상태 진단부를 통해 타겟 도메인의 타겟 데이터에 대한 고장 진단을 수행하는 과정을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 고장 진단 방법을 나타낸 흐름도이다.
도 11 및 도 12는 종래의 고장 진단 방법과 본 발명의 일 실시예에 따른 고장 진단 방법의 진단 정확도를 비교하여 나타낸 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
도 1은 본 발명의 일 실시예에 따른 고장 진단 장치(100)를 나타낸 도면이다.
종래 지도 학습 기반(supervised learning-based) 방법은, 대상 설비에 대한 물리적 도메인 지식이 없더라도, 취득한 진동 데이터에 적절한 전처리(예 : FFT, 이미지 변환 등) 및 인공지능 기술(예 : 머신러닝, 인공신경망, 합성곱 신경망 및 순환 신경망 등)을 활용하여 높은 진단 정확도를 나타낼 수 있는 장점이 있다. 그러나, 표지가 지정된(labeled) 데이터가 없을 경우에는 지도 학습 자체가 불가능하고 테스트 데이터가 학습에 사용한 데이터와 동일한 분포(distribution)을 따르지 않는 경우 원하는 결과를 얻을 수 없는 문제점이 있다.
실제로 산업 현장에서 획득한 데이터는 대부분 표지가 지정되지 않은(unlabeled) 데이터이며, 설비에 따라 동일 설비에서 운영 조건이 다른 경우 해당 데이터들은 서로 다른 양상을 나타내게 된다. 따라서 실제 산업 현장에서 종래 지도 학습 기반의 방법을 사용하여 설비의 고장을 진단하기에는 문제점이 있다.
한편, 본 발명의 일 실시예에 따른 설비(미도시)의 고장 진단 장치(100)에 이용되는 전이 학습(transfer learning)은 주어진 데이터가 충분하지 않은 상황에서도 적용할 수 있다.
전이 학습은 소스 도메인(source domain, 이하 'DS'라 함)으로부터 얻은 정보를 타겟 도메인(target domain, 이하 'DT'라 함)으로 전송할 수 있다.
보다 상세하게는, 본 발명의 고장 진단 장치(100)에 이용되는 비지도 도메인 적응 기법(unsupervised domain adaptation)은 상기 전이 학습의 일종으로써 소스 도메인(DS)에는 표지가 지정된 데이터가 모두 제시되어 있고, 타겟 도메인(DT)에서는 표지가 지정된 데이터가 전혀 없는 상황에서도 고장 진단 장치(100)의 진단 정확도를 높일 수 있는 기법이다.
상기 비지도 도메인 적응 기법을 이용한 고장 진단 장치(100)는 소스 도메인(DS)으로부터 획득된 소스 데이터(source data)를 학습하여 마련된 학습 정보를 전이하고, 전이된 정보를 이용하여 타겟 도메인(DT)의 고장 진단을 수행함으로써 고장 진단을 위한 타겟 데이터(target data)의 양이 부족하더라도 고장 진단 관련한 성능, 강건성 및 학습 효율을 증가시킬 수 있다. 일례로서, 소스 도메인(DS)과 타겟 도메인(DT)은 서로 다른 설비일 수 있으며, 소스 도메인(DS) 및 타겟 도메인(DT)은 회전체일 수 있으나 이에 한정되는 것은 아니고 다른 기계 시스템(설비) 또는 이미지 데이터일 수 있다.
도 1을 참조하면, 고장 진단 장치(100)는, 데이터 획득부(10), 데이터 처리부(20), 특성인자 추출부(30), 상태 분류기(40), 도메인 분류기(50) 및 상태 진단부(60)를 포함한다.
데이터 획득부(10)는 소스 도메인(DS)으로부터 소스 데이터를 획득하고, 타겟 도메인(DT)으로부터 타겟 데이터를 획득할 수 있다. 일례로서, 소스 도메인(DS) 및 타겟 도메인(DT)은 로터(rotor), 샤프트(shaft) 및 상기 로터를 부드럽게 회전시키기 위한 베어링(bearing)을 포함하여 구성되는 회전체일 수 있다.
또한, 본 발명의 소스 도메인(DS)에서는 표지가 지정된 데이터가 제시되어 있으며, 타겟 도메인(DT)에서는 표지가 지정된 데이터가 전혀 없는 상태일 수 있다.
데이터 처리부(20)는 데이터 획득부(10)를 통해 획득된 소스 데이터 및 타겟 데이터로부터의 특성인자 추출이 용이하도록 소스 데이터 및 타겟 데이터에 대해 신호 처리를 수행할 수 있다. 일례로서, 데이터 처리부(20)는 소스 데이터 및 타겟 데이터의 노이즈 제거 및 신호 동기화 등의 신호 처리를 수행할 수 있다.
또한, 데이터 처리부(20)는 진동 신호를 2차원 이미지화하는 신호 처리를 수행할 수 있다. 이를 통해, 진동 신호는 일반적인 이미지 데이터와 동일한 차원(dimension)을 가질 수 있다.
고장 진단 장치(100)는 후술되는 상태 진단 모델을 이용하여 소스 데이터 또는 타겟 데이터로부터 진단 대상 장치의 고장 여부를 판단할 수 있으며, 상태 진단 모델은 적어도 특성인자 추출부(30) 및 상태 분류기(40)를 포함할 수 있다.
도 2는 설비의 건전성 상태별 진동 신호를 나타낸 도면이다.
도 2를 참조하면, 소스 데이터 및 타겟 데이터는 설비의 진동 신호(vibration signals)를 포함할 수 있다. 일례로서, 설비는 회전체일 수 있다.
이 때, 진동 신호는 별도의 진동 센서에 의해 측정될 수 있다. 일례로서, 회전체에 구비된 베어링의 하우징에 수직, 수평 방향으로 설치된 가속도 센서를 통해 회전체의 진동 신호를 측정할 수 있다.
도 2에 도시된 바와 같이 예시적으로 회전체의 4개의 건전성 상태가 존재할 수 있으며, 4개의 건전성 상태는 정상(Normal), 볼 고장(Roller Element Fault), 내륜 고장(Inner Race Fault) 및 외륜 고장(Outer Race Fault)로 구분될 수 있다.
전술한 4개의 건전성 상태에 대한 데이터 세트는 크게 CWRU(Case Western Reserve University) 베어링 데이터 세트와 IMS(Intermediate Shaft) 베어링 데이터 세트로 구분될 수 있으며, 4개의 건전성 상태에 대한 진동 신호는 도 2에 예시적으로 제시되어 있다.
한편, 소스 데이터 및 타겟 데이터는 진동 신호에 한정되는 것이 아니라, 타겟 도메인(DT)의 상태에 대응하는 다양한 신호를 더 포함할 수 있다.
도 3은 고장 진단 장치(100)에서 레이블 정보가 있는 소스 도메인(DS)의 소스 데이터를 분류하는 특성인자를 추출하는 과정을 나타낸 도면이다.
본 발명의 고장 진단 장치(100)에서 소스 도메인(DS)으로부터 타겟 도메인(DT)으로 효과적으로 데이터를 전이하기 위해서는 소스 도메인(DS)에 대한 분류 정확도를 높이는 것이 선행되어야 한다.
이를 위해, 본 발명의 고장 진단 장치(100)에 구비된 특성인자 추출부(30)는 데이터 처리부(20)를 통해 신호 처리된 소스 데이터로부터 제 1 특성인자를 추출할 수 있다.
일례로서, 특성인자 추출부(30)는 소스 도메인(DS)으로부터 소스 데이터 및 타겟 도메인(DT)으로부터 타겟 데이터를 입력받아 각각의 특성인자(feature representation)를 추출할 수 있고, 상기 각각의 특성인자를 효과적으로 추출하기 위해 합성곱 신경망(Convolutional Neural Network, CNN)으로 구성될 수 있다.
도 3을 참조하면, 점선으로 경계가 그려진 부분은 소스 도메인(DS), 실선으로 경계가 그려진 부분은 타겟 도메인(DT)을 나타낸다. 또한, 도 3에서 클래스 1(Class 1) 및 클래스 2(class 2)은 서로 구분되도록 표시되어 있고, 실선으로 나타낸 곡선은 각 상태 분류기(40)의 결정 경계(Decision Boundary)를 나타내며,
Figure 112021028397466-pat00001
은 각 상태 분류기(40)의 분류 손실(Classification Loss)을 나타낸다. 여기서, 분류 손실은 크로스 엔트로피(cross entropy)일 수 있다.
이 때, 상기 클래스 1 및 클래스 2는 소스 도메인(DS)과 타겟 도메인(DT)의 집합을 나타내며, 또한, 도 3에 나타낸 C1은 후술되는 제 1 분류기(42)의 결정 경계를 나타내고, C2는 후술되는 제 2 분류기(44)의 결정 경계를 나타낸다.
특성인자 추출부(30) 및 각 상태 분류기(40)의 인공지능 네트워크는 소스 도메인(DS)의 표지가 지정된 소스 데이터에 대해 상기 분류 손실이 최소화되도록 학습될 수 있다. 이에 따라 특성인자 추출부(30)는 소스 도메인(DS)의 소스 데이터에서 제 1 특성인자를 추출하고, 상태 분류기(40)의 제 1 분류기(42) 및 제 2 분류기(44)가 제 1 특성인자를 복수의 클래스로 분류할 수 있다. 이하에서는 복수의 클래스를 두 개의 클래스(클래스 1 및 클래스 2)로 예시하나 본 발명의 실시예들이 이에 한정되지 않으며, 복수의 클래스들은 두 개 이상의 클래스들로 구성될 수 있다. 또한, 이하에서는 상태 분류기(40)를 제 1 분류기(42) 및 제 2 분류기(44) 만으로 예시하나 본 발명의 실시예들이 이에 한정되지 않으며, 상태 분류기(40)는 2개를 초과하는 복수의 분류기들로 구성될 수 있다.
상기 상태 분류기(40)는 제 1 분류기(42)와 제 2 분류기(44)를 포함하며, 분류에 효과적인 인공 신경망(Artificial Neural Network, ANN)으로 구성될 수 있다.
일례로서, 상태 분류기(40)는 특성인자 추출부(30)로부터 소스 도메인(DS)의 제 1 특성인자 및 타겟 도메인(DT)의 제 2 특성인자를 입력받을 수 있는데, 각 분류기(예시적으로, 제 1 분류기(42) 및 제 2 분류기(44))는 소스 도메인(DS)의 제 1 특성인자와 타겟 도메인(DT)의 제 2 특성인자를 복수의 클래스(예시적으로, 제 1 클래스 및 제 2 클래스)로 분류(또는 선별)할 수 있다. 또한, 상태 분류기(40)는 특정 특성인자의 클래스를 각 분류기(예시적으로, 제 1 분류기(42) 및 제 2 분류기(44))의 클래스 분류 결과의 평균 값에 기초하여 결정할 수 있다.
일례로서, 특성인자 추출부(30)는 도 3에서 실선으로 표시된 제 1 분류기(42)의 결정 경계(C1) 및 제 2 분류기(44)의 결정 경계(C2)가 소스 도메인(DS)의 소스 데이터를 복수의 클래스(클래스 1 및 클래스 2)로 정확히 분류하도록 하는 제 1 특성인자를 추출할 수 있다. 이 때, 특성인자 추출부(30)는 제 1 분류기(42) 및 제 2 분류기(44)의 분류 손실을 최소화하도록 하는 제 1 특성인자를 추출할 수 있다.
또한, 상태 분류기(40)의 제 1 분류기(42) 및 제 2 분류기(44)는 제 1 특성인자를 복수의 클래스(예시적으로, 제 1 클래스 및 제 2 클래스)로 분류할 수 있다. 이 때, 제 1 분류기(42) 및 제 2 분류기(44)는 분류 손실을 최소화하도록 제 1 특성인자를 복수의 클래스로 분류할 수 있다.
도 4는 고장 진단 장치(100)에서 소스 도메인(DS)과 타겟 도메인(DT) 사이의 분류가 잘 되지 않는 도메인 불변의(domain-invariant) 특성인자를 추출하는 과정을 나타낸 도면이다.
특성인자 추출부(30)가 소스 도메인(DS)과 타겟 도메인(DT)에 대하여 도메인 불변의 특성인자를 추출하기 위해서는 소스 도메인(DS)의 제 1 특성인자와 타겟 도메인(DT)의 제 2 특성인자가 초평면(hyper plane) 상에서 겹쳐져서 소스 도메인(DS)과 타겟 도메인(DT) 간 분류가 잘 되지 않도록 학습되어야 한다. 여기서, 소스 도메인(DS)으로부터 제 1 특성인자를 추출할 때와 타겟 도메인(DT)으로부터 제 2 특성인자를 추출할 때에는 동일한 특성인자 추출부가(30)가 사용된다. 일례로서, 상기 초평면은 데이터를 두 개의 집단으로 나누는 모형으로서, 데이터의 차원(n) 보다 한 차원 낮은(n-1) 차원의 평면을 이용해 목표 변수를 분류하는 것을 의미할 수 있다.
이를 위해 예시적으로 본 발명의 고장 진단 장치(100)에 구비된 특성인자 추출부(30)에서는 분포 간 거리를 측정하는 통계학적으로 정의된 메트릭(metric)인 최대 평균 불일치(MMD: maximum mean discrepancy)라는 기법을 이용할 수 있다.
일례로서, 상기 MMD는 재생핵 힐베르트 공간(RKHS: Reproducing Kernel Hilbert Space) 상에서의 소스 도메인(DS)의 소스 데이터와 타겟 도메인(DT)의 타겟 데이터의 평균 값의 차이로 정의될 수 있다. 여기서 상기 재생핵 힐베르트 공간(RKHS)은 커널(kernel) 함수의 일종으로서 비선형 입력공간의 데이터를 고차원의 특징 공간(feature space)으로 변환하는 함수일 수 있다.
특성인자 추출부(30)는 상기 소스 데이터에서 추출한 제 1 특성인자와 타겟 데이터에서 추출한 제 2 특성인자 간 MMD가 최소화되도록 학습될 수 있고, 이에 따라 도 4에 도시된 바와 같이 소스 도메인(DS)의 제 1 특성인자와 타겟 도메인(DT)의 제 2 특성인자 간 분류가 정확하게 되지 않을 수 있다. 상기 MMD가 최소화되도록 학습된 특성인자 추출부(30)는 소스 도메인(DS)과 타겟 도메인(DT)으로부터 도메인 불변의(domain-invariant) 제 1 특성인자 및 제 2 특성인자를 추출할 수 있다.
도 4에 도시된 방법은 소스 도메인(DS)과 타겟 도메인(DT) 간의 거리를 최소화하는 것, 즉 소스 도메인(DS)으로부터 추출된 제 1 특성인자와 타겟 도메인(DT)으로부터 추출된 제 2 특성인자 간의 차이를 최소화하는 것을 의미할 수 있다.
도 5는 불일치 손실(discrepancy loss)의 의미를 나타낸 도면이다.
전술한 바와 같이 상기 특성인자 추출부(30)를 통해 소스 도메인(DS)과 타겟 도메인(DT) 간 분류가 정확하게 되지 않는, 도메인 불변의 제 1 특성인자 및 제 2 특성인자를 추출(갱신)할 수 있으나, 도 4 및 도 5에 도시된 바와 같이 단순히 소스 도메인(DS)과 타겟 도메인(DT) 사이에 구분이 잘 되지 않도록 추출된 제 1 특성인자 및 제 2 특성인자는 소스 도메인(DS)과 타겟 도메인(DT)의 클래스 분류를 정확하게 하지 못하는 특성인자이기 때문에 문제가 있다.
이는 소스 도메인(DS)과 타겟 도메인(DT)에서 서로 다른 클래스(클래스 1, 클래스 2)들이 이루는 분포가 각각의 소스 도메인(DS)의 소스 데이터와 타겟 도메인(DT)의 타겟 데이터의 특성에 따라 크게 변화될 수 있기 때문이다.
따라서, 도 4에 도시된 과정까지만 수행하는 경우 소스 도메인(DS)과 타겟 도메인(DT) 간 서로 다른 클래스(클래스 1, 클래스 2)끼리 매칭이 되어 고장 진단 장치(100)의 진단 정확도가 매우 떨어지는 경우가 발생될 수 있다.
예를 들어, 도 5에 도시된 바와 같이 제 1 분류기(42)가 타겟 도메인(DT)의 타겟 데이터에 대해 클래스 2의 분류를 하는 경우(도 5의 수식
Figure 112021028397466-pat00002
참조)에는 타겟 도메인(DT)의 타겟 데이터가 정확하게 클래스 2로 분류될 수 있다.
반면, 제 1 분류기(42)가 타겟 도메인(DT)의 타겟 데이터에 대해 클래스 1의 분류를 하는 경우(도 5의 수식
Figure 112021028397466-pat00003
참조)에는 클래스 2로 분류되어야 할
Figure 112021028397466-pat00004
영역이 클래스 1로 분류되는 문제가 발생된다.
이러한 문제점을 해결하기 위해 본 발명의 고장 진단 장치(100)의 상태 분류기(40)는 소스 도메인(DS) 및 타겟 도메인(DT)의 클래스 분포의 분류(classification)가 잘 되지 않는 불일치 영역(discrepancy region)에 대하여, 상기 불일치 영역을 불일치 손실(discrepancy loss)이라는 수치로 정량화하고 이를 적절히 조정함으로써 소스 도메인(DS)과 타겟 도메인(DT) 내의 클래스(클래스 1, 클래스 2) 간 분포를 조정할 수 있다. 상기 불일치 손실 및 불일치 영역에 대해서는 도 5의 우측에 제시된 수식을 통해 확인할 수 있다.
일례로서, 상기 불일치 영역은 도 5의 좌측에 도시된 빗금친 부분(짙게 빗금친 부분)에 해당할 수 있다.
도 6 및 도 7은 고장 진단 장치(100)에 구비된 상태 분류기(40)를 통해 소스 도메인(DS)과 타겟 도메인(DT) 내의 클래스 분포의 불일치를 조정하는 과정을 나타낸 도면이다. 구체적으로, 도 6은 특성인자 추출부(30)를 고정한 상태에서 소스 도메인(DS)에 대한 분류 손실을 최소화하면서 두 도메인에 대한 클래스 분포의 불일치 손실(discrepancy loss)을 최대화하도록 상태 분류기(40)를 학습하는 과정을 나타낸 도면이고, 도 7은 상태 분류기(40)를 고정한 상태에서 소스 도메인(DS)에 대한 분류 손실을 최소화하면서 두 도메인에 대한 클래스 분포의 불일치 손실을 최소화하도록 특성인자 추출부(30)를 학습하는 과정을 나타낸 도면이다.
상기 도 5에서 정의된 불일치 손실은 도 6에서 빗금친 부분(불일치 영역)에 해당할 수 있다.
상태 분류기(40)는 특성인자 추출부(30)를 고정한 상태에서, 제 1 분류기(42) 및 제 2 분류기(44)의 파라미터에 대해 두 도메인에 대한 클래스 분포의 불일치 손실이 최대화되도록 학습을 수행할 수 있다. 즉, 도 6에 도시된 바와 같이 상태 분류기(40)는 타겟 도메인(DT)에서의 불일치 손실이 최대화되도록 학습을 수행할 수 있다.
보다 상세하게는, 상태 분류기(40)는 특징 공간(feature space) 상에서 불일치 영역이 최대화되도록 제 1 분류기(42) 및 제 2 분류기(44)를 학습할 수 있고, 상태 분류기(40)가 학습됨에 따라 도 6에서와 같이 제1 분류기(42) 및 제2 분류기(44)의 결정 경계(C1, C2)가 이동되는 것으로 표현될 수 있다. 일례로서, 상기 특징 공간은 특징 변수의 개수에 대응되는 차원을 가지는, 관측 값들이 있는 공간을 의미할 수 있다.
또한, 상태 분류기(40)에서는 소스 도메인(DS)의 소스 데이터에 대한 분류 손실을 고려할 수 있으며, 도 6에 도시된 바와 같이 상태 분류기(40)는 소스 도메인(DS)에서의 분류 손실이 최소화되도록 함으로써 소스 도메인(DS)에 대한 분류 정확도가 떨어지는 것을 방지할 수 있다.
따라서, 도 6에 도시된 과정에서 상태 분류기(40)는 특성인자 추출부(30)를 고정한 상태에서 제 1 분류기(42) 및 제 2 분류기(44)를 갱신할 수 있다.
도 7을 참조하면, 도 6에 도시된 과정을 수행한 이후에, 특성인자 추출부(30)는 제 1 분류기(42) 및 제 2 분류기(44)를 고정한 상태에서 특성인자 추출부(30)의 파라미터에 대해 소스 도메인(DS)에 대한 분류 손실을 최소화하면서 두 도메인에 대한 클래스 분포의 불일치 손실이 최소화되도록 학습을 수행할 수 있다.
도 7에 도시된 과정에서 제 1 분류기(42) 및 제 2 분류기(44)가 고정됨에 따라 각 분류기(40, 42)의 결정 경계(C1, C2)가 고정될 수 있다.
이를 통해, 특징 공간(feature space) 상에서 타겟 도메인(DT)의 타겟 데이터로부터 추출된 제 2 특성인자가, 상태 분류기(40)를 통해 복수의 클래스들로 정확한 분류가 가능한 영역, 즉 결정 경계(C1, C2) 내에 생성될 수 있다.
이와 같이 본 발명의 고장 진단 장치(100)에서는, 전술한 과정과 같이 상태 분류기(40)를 통하여 소스 도메인(DS)과 타겟 도메인(DT) 내의 클래스 분포의 불일치가 조정된 상태 진단 모델을 획득할 수 있다. 전술한 바과 같이, 상태 진단 모델은 적어도 특성인자 추출부(30) 및 상태 분류기(40)를 포함할 수 있다.
도 8은 고장 진단 장치(100)에 구비된 도메인 분류기(50)를 이용하여 도메인 혼동 지수(Domain Confusion Index)를 통해 상태 진단 모델의 최적화 여부를 판단하는 과정을 나타낸 도면이다.
도메인 분류기(50)는 특성인자 추출부(30)로부터 추출된 소스 도메인(DS)의 특성인자(제 1 특성인자)와 타겟 도메인(DT)의 특성인자(제 2 특성인자)를 입력받아 상태 분류기(40)에 의한 소스 도메인(DS)과 타겟 도메인(DT)의 분류 정확도를 판단하며, 인공 신경망(Artificial Neural Network, ANN)으로 구성될 수 있다.
이 때, 도메인 분류기(50)는 상태 분류기(40)를 통하여 획득된 상태 진단 모델의 수렴성 판단을 위한 지수(index)를 하기 수학식 1과 같이 도메인 혼동 지수(DCI: Domain Confusion Index)로 정의할 수 있다.
Figure 112021028397466-pat00005
도메인 분류기(50)는 상기 수학식 1에 나타낸 도메인 혼동 지수(DCI)가 최적값으로 수렴할 때까지 도메인 혼동 지수(DCI)를 최적화할 수 있다. 일례로서, 도메인 혼동 지수(DCI)의 최적값은 0.5일 수 있다.
보다 상세하게는, 도메인 분류기(50)는 도메인 혼동 지수(DCI)가 최적값 또는 최적값으로부터 미리 정해진 오차 범위 이내로 수렴할 때까지 전술한 도 3 내지 도 7 중에서 적어도 하나 이상의 학습 과정을 반복적으로 수행할 수 있다. 예컨대, 도메인 분류기(50)는 도메인 혼동 지수(DCI)가 최적값 0.5로부터 미리 정해진 오차값 0.1의 차이를 인정하는 범위인 [0.4, 0.6] 이내에 수렴할 때까지 전술한 학습 과정을 반복적으로 수행할 수 있다.
상기 도메인 분류기(50)를 이용하여 도메인 혼동 지수(DCI)의 최적화 과정을 통해 소스 도메인(DS)와 타겟 도메인(DT) 간, 그리고 각각의 소스 도메인(DS) 및 타겟 도메인(DT) 내의 클래스 간의 분포가 정렬될 수 있기 때문에, 상기 도메인 혼동 지수(DCI) 값을 통해 상태 분류기(40)를 통하여 획득된 상태 진단 모델의 수렴성을 판단할 수 있다.
일례로서, 도메인 분류기(50)를 통한 최적화 과정을 통해 상기 도메인 혼동 지수(DCI)가 최적값인 0.5에 수렴한다는 것은 소스 도메인(DS)과 타겟 도메인(DT)간 분류가 불가능하다는 것을 나타내며, 이는 상기 상태 진단 모델이 수렴했음을 의미한다.
한편, 도 8에서 타겟 도메인(DT)을 가로지르는 실선은 도메인 분류기(50)의 결정 경계를 나타낼 수 있다.
도 9는 상태 진단부(60)를 통해 타겟 도메인(DT)의 타겟 데이터에 대한 고장 진단을 수행하는 과정을 나타낸 도면이다.
도 9를 참조하면, 상태 진단부(60)는 도메인 분류기(50)를 통해 수렴된 상태 진단 모델을 기준으로 타겟 도메인(DT)의 타겟 데이터에 대해 고장 진단을 수행할 수 있다.
도 10은 본 발명의 일 실시예에 따른 고장 진단 방법을 나타낸 흐름도이다.
도 10을 참조하면, 전술한 고장 진단 장치(100)를 이용한 본 발명의 일 실시예에 따른 고장 진단 방법은 아래와 같다.
먼저, 소스 도메인(DS)으로부터 소스 데이터를, 타겟 도메인(DT)으로부터 타겟 데이터를 획득하고(S1 단계), 획득된 소스 데이터 및 타겟 데이터에 대해 신호 처리를 수행한다(S2 단계). 이 때, 상기 S1 단계는 전술한 데이터 획득부(10)를 통해 수행될 수 있고, 상기 S2 단계는 전술한 데이터 처리부(20)를 통해 수행될 수 있다.
다음으로, 소스 도메인(DS)에 대한 분류 손실이 최소화되도록 특성인자 추출부(30)와 상태 분류기(40)를 학습한다(S3 단계). 여기서, 특성인자 추출부(30)는 소스 도메인(DS)의 소스 데이터로부터 제 1 특성인자를 추출하고, 상태 분류기(40)는 제 1 특성인자를 복수의 클래스로 분류할 수 있다.
다음으로, 특성인자 추출부(30)가 소스 도메인(DS)과 타겟 도메인(DT)에 대하여 도메인 불변의(domain invariant) 특성인자들(제 1 특성인자, 제 2 특성인자)을 추출하도록 특성인자 추출부(30)를 학습한다(S4 단계). 이 때, 특성인자 추출부(30)는 타겟 도메인(DT)의 타겟 데이터로부터 제2 특성인자를 추출할 수 있으며, 상기 S4 단계는 소스 도메인(DS)의 소스 데이터에서 추출된 제 1 특성인자와 타겟 도메인(DT)의 타겟 데이터에서 추출된 제 2 특성인자에 대한 최대 평균 불일치(maximum mean discrepancy)를 최소화하도록 특성인자 추출부(30)를 학습하는 것을 의미할 수 있다.
다음으로, 소스 도메인(DS)과 타겟 도메인(DT)에 대한 클래스 분포의 불일치를 최소화하도록 특성인자 추출부(30)와 상태 분류기(40)를 학습한다(S5단계).
구체적으로, 상기 S5 단계는, 특성인자 추출부(30)를 고정한 상태에서 소스 도메인(DS)에 대한 분류 손실을 최소화하면서 두 도메인에 대한 클래스 분포의 불일치 손실을 최대화하도록 상태 분류기(40)를 학습하는 단계와, 상태 분류기(40)를 고정한 상태에서 소스 도메인(DS)에 대한 분류 손실을 최소화하면서 두 도메인에 대한 클래스 분포의 불일치 손실을 최소화하도록 특성인자 추출부(30)를 학습하는 단계를 포함한다.
다음으로, 획득된 상태 진단 모델의 수렴성을 판단한다(S6 단계).
상기 S6 단계는, 특성인자 추출부(30)와 상태 분류기(40)의 학습에 따라 획득된 상태 진단 모델의 수렴성 판단을 위한 도메인 혼동 지수(DCI)를 정의하는 단계 및 도메인 혼동 지수(DCI)가 최적값(예컨대, 0.5) 또는 최적값으로부터 미리 정해진 오차 범위 이내(예컨대, [0.4, 0.6])로 수렴하는지 여부를 판단하여 상태 진단 모델의 최적화 여부를 판단하는 단계를 포함하며, 상기 S6 단계는 전술한 도메인 분류기(50)를 통해 수행될 수 있다.
바람직하게는, 도메인 혼동 지수(DCI)가 수렴할 때까지 상기 S3 단계 내지 상기 S6 단계가 반복적으로 수행될 수 있다.
마지막으로, 상기 S6 단계에서 수렴된 상태 진단 모델을 기준으로 타겟 도메인(DT)의 타겟 데이터에 대해 고장 진단을 수행한다(S7 단계). 바람직하게는, 상기 S7 단계는 전술한 상태 진단부(60)를 통해 수행될 수 있다.
도 11 및 도 12는 종래의 고장 진단 방법과 본 발명의 일 실시예에 따른 고장 진단 방법의 진단 정확도를 비교하여 나타낸 도면이다. 이 때, 도 11은 동일 베어링 데이터에 대해 서로 다른 부하 조건을 소스 도메인(DS)과 타겟 도메인(DT)으로 설정하여 나타낸 것이며, 보다 상세하게는 도 11 중 도 11(a)는 종래의 고장 진단 방법에 의한 진단 정확도를 나타내고, 도 11(b)는 본 발명의 일 실시예에 따른 고장 진단 방법에 의한 진단 정확도를 나타내며, 전술한 과정에서 학습된 특성인자들을 차원축소 기법을 통해 2차원으로 표현한 것이다.
또한, 도 12는 서로 다른 베어링 데이터를 소스 도메인(DS)과 타겟 도메인(DT)으로 설정하여 나타낸 것이며, 보다 상세하게는 도 12 중 도 12(a)는 소스 도메인(DS)을 전술한 CWRU로 설정하고, 타겟 도메인(DT)를 전술한 IMS로 설정한 것을 나타낸 것이며, 도 12(b)는 그 반대의 경우로 설정하여 나타낸 것이다.
도 11을 참조하면, 회전체의 정상 상태를 제외한 3개의 고장 상태(예 : 볼 고장, 내륜 고장, 외륜 고장)에 대해 각 3 단계의 심각도에 따라 총 10개의 건전성 상태가 존재할 수 있다.
이 때, 도 11(b)와 같이 본 발명의 일 실시예에 따른 고장 진단 방법에 의한 진단 정확도는 97%로, 도 11(a)에 나타낸 종래의 고장 진단 방법의 진단 정확도인 80%에 비해 획기적으로 증가하는 것을 확인할 수 있다.
또한, 도 11(b)에서 소스 도메인(DS)과 타겟 도메인(DT)의 각 레이블의 특성인자들이 겹쳐지는 것을 확인할 수 있다.
도 12를 참조하면, 회전체의 정상 상태 및 3개의 고장 상태(예 : 볼 고장, 내륜 고장, 외륜 고장)의 총 4개의 건전성 상태가 존재할 수 있다. 여기서, 도 12(a) 및 도 12(b)의 좌측 도면은 종래의 고장 진단 방법의 진단 정확도이며, 도 12(a) 및 도 12(b)의 우측 도면은 본 발명의 일 실시예에 따른 고장 진단 방법에 의한 진단 정확도를 나타낸다.
이 때, 도 12(a)의 경우 본 발명의 일 실시예에 따른 고장 진단 방법에 의한 진단 정확도는 95%로, 종래의 고장 진단 방법의 진단 정확도인 72%에 비해 획기적으로 증가하는 것을 확인할 수 있다.
또한, 도 12(b)의 경우 본 발명의 일 실시예에 따른 고장 진단 방법에 의한 진단 정확도는 92%로, 종래의 고장 진단 방법의 진단 정확도인 48%에 비해 획기적으로 증가하는 것을 확인할 수 있다.
본 발명에 따르면, 비지도 도메인 적응 기법을 통해 표지가 지정된 데이터가 포함된 소스 도메인(DS)에서 얻은 소스 데이터를 전이 학습하여 표지가 지정되지 않은 데이터가 포함된 타겟 도메인(DT)에 포함된 타겟 데이터의 진단 정확도를 향상시킬 수 있다.
또한, 표지가 지정된 데이터의 부족으로 인한 기존 고장 진단 기술의 단점을 보완하고, 고장 진단 모델 학습의 효율성 및 강건성이 향상되는 효과가 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 고장 진단 장치
10 : 데이터 획득부
20 : 데이터 처리부
30 : 특성인자 추출부
40 : 상태 분류기
50 : 도메인 분류기
60 : 상태 진단부
DS : 소스 도메인
DT : 타겟 도메인

Claims (16)

  1. 소스 도메인으로부터 소스 데이터 및 타겟 도메인으로부터 타겟 데이터를 입력받아 각각의 특성인자를 추출하는 특성인자 추출부;
    상기 추출된 소스 도메인의 특성인자와 타겟 도메인의 특성인자를 입력받아 상기 소스 도메인과 상기 타겟 도메인 내의 클래스 분포의 불일치가 조정된 상태 진단 모델을 획득하는 상태 분류기; 및
    상기 추출된 소스 도메인의 특성인자와 타겟 도메인의 특성인자를 입력받고, 상기 획득된 상태 진단 모델의 수렴성을 판단하는 도메인 분류기;를 포함하는 것을 특징으로 하는 고장 진단 장치.
  2. 제 1항에 있어서,
    상기 소스 도메인에 대한 분류 손실이 최소화되도록 상기 특성인자 추출부와 상기 상태 분류기를 학습하고,
    상기 특성인자 추출부가 상기 소스 도메인 및 상기 타겟 도메인에 대하여 도메인 불변의 특성인자들을 추출하도록 상기 특성인자 추출부를 학습하는 것을 특징으로 하는 고장 진단 장치.
  3. 제 1항에 있어서,
    상기 상태 분류기는,
    상기 소스 도메인의 특성인자와 상기 타겟 도메인의 특성인자를 복수의 클래스로 분류하고, 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치를 최소화하는 제 1 분류기 및 제 2 분류기를 포함하는 것을 특징으로 하는 고장 진단 장치.
  4. 제 1항에 있어서,
    상기 상태 분류기는,
    상기 특성인자 추출부를 고정한 상태에서, 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인 및 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최대화하도록 학습을 수행하는 것을 특징으로 하는 고장 진단 장치.
  5. 제 4항에 있어서,
    상기 특성인자 추출부는,
    상기 상태 분류기를 고정한 상태에서, 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인 및 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최소화하도록 학습을 수행하는 것을 특징으로 하는 고장 진단 장치.
  6. 제 1항에 있어서,
    상기 도메인 분류기는,
    상기 획득된 상태 진단 모델의 수렴성 판단을 위한 도메인 혼동 지수(domain confusion index)를 정의하고, 상기 도메인 혼동 지수가 최적값으로 수렴하는지 여부를 판단하여 상기 상태 진단 모델의 최적화 여부를 판단하는 것을 특징으로 하는 고장 진단 장치.
  7. 제 1항에 있어서,
    상기 소스 도메인으로부터 상기 소스 데이터를 획득하고, 상기 타겟 도메인으로부터 상기 타겟 데이터를 획득하는 데이터 획득부를 더 포함하는 것을 특징으로 하는 고장 진단 장치.
  8. 제 7항에 있어서,
    상기 데이터 획득부를 통해 획득된 상기 소스 데이터 및 상기 타겟 데이터에 대해 신호 처리를 수행하는 데이터 처리부를 더 포함하는 것을 특징으로 하는 고장 진단 장치.
  9. 제 1항에 있어서,
    상기 도메인 분류기를 통해 수렴된 상태 진단 모델을 기준으로 상기 타겟 도메인의 타겟 데이터에 대해 고장 진단을 수행하는 상태 진단부를 더 포함하는 것을 특징으로 하는 고장 진단 장치.
  10. 제 1항에 있어서,
    상기 소스 도메인과 상기 타겟 도메인은 서로 다른 설비이며,
    상기 소스 데이터와 상기 타겟 데이터는 진동 신호인 것을 특징으로 하는 고장 진단 장치.
  11. 제 1항 내지 제 10항 중 어느 한 항에 기재된 고장 진단 장치를 이용한 고장 진단 방법에 있어서,
    소스 도메인에 대한 분류 손실이 최소화되도록 상기 고장 진단 장치에 구비된 특성인자 추출부와 상태 분류기를 학습하는 단계;
    상기 특성인자 추출부가 상기 소스 도메인 및 타겟 도메인에 대하여 도메인 불변의 특성인자들을 추출하도록 상기 특성인자 추출부를 학습하는 단계;
    상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치를 최소화하도록 상기 특성인자 추출부와 상기 상태 분류기를 학습하는 단계; 및
    상기 특성인자 추출부와 상기 상태 분류기의 학습에 따라 획득된 상태 진단 모델의 수렴성을 판단하는 단계;를 포함하는 것을 특징으로 하는 고장 진단 방법.
  12. 제 11항에 있어서,
    상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치를 최소화하도록 상기 특성인자 추출부와 상기 상태 분류기를 학습하는 단계는,
    상기 특성인자 추출부를 고정한 상태에서 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최대화하도록 상기 상태 분류기를 학습하는 단계 및
    상기 상태 분류기를 고정한 상태에서 상기 소스 도메인에 대한 분류 손실을 최소화하면서 상기 소스 도메인과 상기 타겟 도메인에 대한 클래스 분포의 불일치 손실을 최소화하도록 상기 특성인자 추출부를 학습하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.
  13. 제 11항에 있어서,
    상기 획득된 상태 진단 모델의 수렴성을 판단하는 단계는,
    상기 획득된 상태 진단 모델의 수렴성 판단을 위한 도메인 혼동 지수를 정의하는 단계 및
    상기 도메인 혼동 지수가 최적값으로 수렴하는지 여부를 판단하여 상기 상태 진단 모델의 최적화 여부를 판단하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.
  14. 제 11항에 있어서,
    상기 소스 도메인에 대한 분류 손실이 최소화되도록 상기 고장 진단 장치에 구비된 특성인자 추출부와 상태 분류기를 학습하는 단계 이전에,
    상기 소스 도메인으로부터 소스 데이터를 획득하고, 상기 타겟 도메인으로부터 타겟 데이터를 획득하는 단계 및
    상기 획득된 소스 데이터 및 타겟 데이터에 대해 신호 처리를 수행하는 단계를 더 포함하는 것을 특징으로 하는 고장 진단 방법.
  15. 제 11항에 있어서,
    상기 획득된 상태 진단 모델의 수렴성을 판단하는 단계 이후에,
    상기 수렴된 상태 진단 모델을 기준으로 상기 타겟 도메인의 타겟 데이터에 대해 고장 진단을 수행하는 단계를 더 포함하는 것을 특징으로 하는 고장 진단 방법.
  16. 제 14항에 있어서,
    상기 소스 도메인과 상기 타겟 도메인은 서로 다른 설비이며,
    상기 소스 데이터와 상기 타겟 데이터는 진동 신호인 것을 특징으로 하는 고장 진단 방법.







KR1020210031583A 2021-03-10 2021-03-10 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법 KR102398046B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210031583A KR102398046B1 (ko) 2021-03-10 2021-03-10 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210031583A KR102398046B1 (ko) 2021-03-10 2021-03-10 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법

Publications (1)

Publication Number Publication Date
KR102398046B1 true KR102398046B1 (ko) 2022-05-12

Family

ID=81590599

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210031583A KR102398046B1 (ko) 2021-03-10 2021-03-10 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법

Country Status (1)

Country Link
KR (1) KR102398046B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131786A (zh) * 2023-10-26 2023-11-28 华中科技大学 一种电压互感器绝缘故障在线辨识方法
CN117390411A (zh) * 2023-10-16 2024-01-12 石家庄铁道大学 基于元迁移学习的变工况轴承故障诊断方法
CN117473412A (zh) * 2023-09-08 2024-01-30 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180038169A (ko) * 2016-10-06 2018-04-16 가톨릭대학교 산학협력단 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
KR20200075344A (ko) * 2018-12-18 2020-06-26 삼성전자주식회사 검출기, 객체 검출 방법, 학습기 및 도메인 변환을 위한 학습 방법
KR102133385B1 (ko) 2020-03-17 2020-07-13 피앤씨주식회사 유도전동기 실시간 진단 서비스를 제공하는 인공지능장치 및 그 동작방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180038169A (ko) * 2016-10-06 2018-04-16 가톨릭대학교 산학협력단 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
KR20200075344A (ko) * 2018-12-18 2020-06-26 삼성전자주식회사 검출기, 객체 검출 방법, 학습기 및 도메인 변환을 위한 학습 방법
KR102133385B1 (ko) 2020-03-17 2020-07-13 피앤씨주식회사 유도전동기 실시간 진단 서비스를 제공하는 인공지능장치 및 그 동작방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473412A (zh) * 2023-09-08 2024-01-30 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统
CN117473412B (zh) * 2023-09-08 2024-05-07 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统
CN117390411A (zh) * 2023-10-16 2024-01-12 石家庄铁道大学 基于元迁移学习的变工况轴承故障诊断方法
CN117390411B (zh) * 2023-10-16 2024-03-29 石家庄铁道大学 基于元迁移学习的变工况轴承故障诊断方法
CN117131786A (zh) * 2023-10-26 2023-11-28 华中科技大学 一种电压互感器绝缘故障在线辨识方法
CN117131786B (zh) * 2023-10-26 2024-01-26 华中科技大学 一种电压互感器绝缘故障在线辨识方法

Similar Documents

Publication Publication Date Title
KR102398046B1 (ko) 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법
KR101823746B1 (ko) 베어링 고장 진단 방법
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
Chen et al. A multi-source weighted deep transfer network for open-set fault diagnosis of rotary machinery
WO2023044978A1 (zh) 基于对抗流模型的机械设备无监督故障诊断方法
WO2018207973A1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
Chen et al. Unsupervised cross-domain fault diagnosis using feature representation alignment networks for rotating machinery
KR101797400B1 (ko) 확률밀도 기반의 고장 진단 방법 및 장치
CN109086470A (zh) 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN112763214A (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
CN114358125B (zh) 一种基于多源信息深度融合的旋转机械故障自动识别方法
Xu et al. IFDS: An intelligent fault diagnosis system with multisource unsupervised domain adaptation for different working conditions
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
CN113887586A (zh) 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法
KR101808390B1 (ko) 기계 고장 진단 방법
CN114356897A (zh) 基于数据融合的机电作动器故障诊断方法
CN110059413B (zh) 一种故障诊断方法
CN116150635A (zh) 基于跨域关联性表示的滚动轴承未知故障检测方法
US7814034B2 (en) Method and system for automatically developing a fault classification system by segregation of kernels in time series data
Nascimento et al. T4PdM: A deep neural network based on the transformer architecture for fault diagnosis of rotating machinery
CN113177484B (zh) 基于lof自编码的机械故障智能诊断方法
EP3457325A1 (en) Failure identification of a rail vehicle component
KR102357754B1 (ko) 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
CN114861749A (zh) 一种基于深度原型网络的少样本轴承故障诊断方法
Ma et al. Improved transfer component analysis and it application for bearing fault diagnosis across diverse domains

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant