KR102404498B1 - 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 - Google Patents

적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 Download PDF

Info

Publication number
KR102404498B1
KR102404498B1 KR1020210121832A KR20210121832A KR102404498B1 KR 102404498 B1 KR102404498 B1 KR 102404498B1 KR 1020210121832 A KR1020210121832 A KR 1020210121832A KR 20210121832 A KR20210121832 A KR 20210121832A KR 102404498 B1 KR102404498 B1 KR 102404498B1
Authority
KR
South Korea
Prior art keywords
time
neural network
convolutional neural
frequency
adaptive time
Prior art date
Application number
KR1020210121832A
Other languages
English (en)
Inventor
김윤한
윤병동
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 KR1020210121832A priority Critical patent/KR102404498B1/ko
Application granted granted Critical
Publication of KR102404498B1 publication Critical patent/KR102404498B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치에 관한 것으로서, 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다채널 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 복수의 시간-주파수 정보가 도출되고, 상기 복수의 시간-주파수 정보로부터 학습을 통해 최적화되는 시간-주파수 정보인 적응적 시간-주파수 정보가 도출되는 정보도출모델이 학습되는 데이터가공부; 상기 적응적 시간-주파수 정보를 입력받고, 상기 적응적 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자가 추출되는 추출모델이 학습되는 특성인자추출부; 상기 특성인자로부터 상기 건전성 상태가 연산모델에 의해 분류되고, 손실함수가 계산되며, 상기 데이터가공부와 상기 특성인자추출부의 웨이트가 수정되는 연산부; 및 건전성 상태 레이블이 없는 시계열데이터가 입력되며, 수정된 상기 웨이트를 기초로 상기 데이터가공부와 상기 특성인자추출부가 기설정된 횟수만큼 재학습되어 도출된 최종 상기 정보도출모델과 최종 상기 추출모델 및 상기 연산모델에 의해 건전성 상태가 진단되는 진단부를 포함하고, 상기 적응적 시간-주파수 정보는, 복수의 상기 시간-주파수 정보의 평균으로 마련되는 것을 특징으로 한다.
본 발명에 따르면, 딥러닝을 활용하여 고장진단에 필요한 특성인자를 데이터로부터 자율적으로 추출함으로써 진단 관련 전문지식의 의존성을 낮춰 다양한 시스템의 고장진단에 범용적으로 적용할 수 있는 효과가 있다. 또한, 본 발명에 따르면, 학습 가능한 다중스케일 컨볼루션 필터를 기저 함수로 활용하는 적응적 시간-주파수 표현을 통해 기존 TFR보다 풍부한 고장 관련 정보를 나타냄으로써 기존 방법보다 고장진단의 성능을 향상시키는 효과가 있다.

Description

적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법{INDUSTRIAL GEARBOX FAILURE DIAGNOSIS APPARATUS AND METHOD USING CONVOLUTIONAL NEURAL NETWORK BASED ON ADAPTIVE TIME-FREQUENCY REPRESENTATION}
본 발명은 기어박스 고장진단 장치 및 방법에 관한 것으로서, 보다 상세하게는, 고정된 형태의 기저 함수를 대신하여 다중스케일 컨볼루션 필터를 학습 가능한 기저 함수로 활용하는 적응적 시간-주파수 표현에 기반한 합성곱 신경망 (Convolutional Neural Network, CNN) 모델을 사용하여 산업용 기어박스 고장을 진단하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법에 관한 것이다.
기존 기어박스의 진단 기술은 합성곱 신경망의 이미지 데이터 분석 능력을 활용하기 위해 산업용 기어박스에서 취득된 시계열 데이터를 단시간 푸리에 변환(Short-time Fourier transform, STFT), 웨이블릿 변환(Wavelet transform, WT) 등을 활용하여 2차원 이미지 형태의 시간-주파수 표현(Time-frequency representation, TFR)으로 변환하였다. 그러나, 기존의 STFT, WT와 같은 시간-주파수 분석 방법은 사인함수, 웨이블릿(Wavelet) 등과 같이 고정된 형태의 기저 함수를 활용한 컨볼루션(Convolution) 연산으로 이루어지기에, 사용된 기저 함수와 유사한 파형의 고장 관련 신호만 강조할 수 있다. 즉, 고장 관련 신호가 고정된 기저 함수와 파형이 다를 경우, 이에 따른 고장 관련 정보가 시간-주파수 표현 데이터에 충분히 나타나지 않게 된다.
시간-주파수 표현(Time-frequency representation, TFR) 데이터를 얻기 위한 다양한 방법 중, 웨이블릿 변환(Wavelet transform, WT)의 웨이블릿(Wavelet)은 수학적으로 정의된 국부적인 파형을 갖는 신호로, Scaling 파라미터를 활용하여 이를 늘리거나 줄일 수 있으며, Translating 파라미터를 활용하여 시간 축에 따라 이동시킬 수 있다. 1보다 작은 Scaling 파라미터를 활용하면, 웨이블릿이 압축되기 때문에 고주파 신호를 분석하기에 용이하며, 1보다 큰 Scaling 파라미터는 웨이블릿을 늘리게 되어 저주파 신호를 효과적으로 분석할 수 있게 된다.
따라서, Scaling 파라미터와 Translating 파라미터를 활용하면, 다양한 시간 및 주파수 정보를 효과적으로 분석할 수 있다. 즉, 분석 대상 신호가 주어졌을 때, WT는 신호와 웨이블릿의 컨볼루션(Convolution) 연산으로 정의할 수 있으며, 그 결과인 TFR은 수식 3과 같이 정의된다.
{수식 3}
Figure 112021105799558-pat00001
여기서
Figure 112021105799558-pat00002
는 분석 대상 신호,
Figure 112021105799558-pat00003
는 웨이블릿,
Figure 112021105799558-pat00004
는 Scaling 파라미터,
Figure 112021105799558-pat00005
는 Translating 파라미터를 의미한다. 이와 같이, TFR은 분석 대상 신호에 대한 다양한 시간-주파수 정보를 2차원 데이터의 형태로 포함할 수 있다.
즉, 웨이블릿 변환(Wavelet transform, WT)은 분석 대상 신호와 웨이블릿의 컨볼루션(Convolution) 연산으로 정의된다. 그러나 기어박스에서 취득되는 시계열 데이터로부터 고장 관련 신호를 추출할 때, WT는 컨볼루션 연산의 특성상 웨이블릿과 파형이 비슷한 신호만 강조할 수 있고, 파형이 다른 신호는 시간-주파수 표현(Time-frequency representation, TFR) 데이터에 충분히 나타날 수 없다.
따라서 고정된 웨이블릿이 아닌 학습을 통해 최적의 형태를 갖는 컨볼루션 필터를 사용하여 시간-주파수 표현을 도출하는 기술이 필요하다.
본 발명의 목적은 상술한 종래의 문제점을 해결하기 위한 것으로서, 고정된 형태의 기저 함수를 대신하여 다중스케일 컨볼루션 필터를 학습 가능한 기저 함수로 활용함으로써 고장진단을 위한 특성인자를 효과적으로 추출하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법을 제공함에 있다.
상기 목적은, 본 발명에 따라, 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다채널 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 복수의 시간-주파수 정보가 도출되고, 상기 복수의 시간-주파수 정보로부터 학습을 통해 최적화되는 시간-주파수 정보인 적응적 시간-주파수 정보가 도출되는 정보도출모델이 학습되는 데이터가공부; 상기 적응적 시간-주파수 정보를 입력받고, 상기 적응적 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자가 추출되는 추출모델이 학습되는 특성인자추출부; 상기 특성인자로부터 상기 건전성 상태가 연산모델에 의해 분류되고, 손실함수가 계산되며, 상기 데이터가공부와 상기 특성인자추출부의 웨이트가 수정되는 연산부; 및 건전성 상태 레이블이 없는 시계열데이터가 입력되며, 수정된 상기 웨이트를 기초로 상기 데이터가공부와 상기 특성인자추출부가 기설정된 횟수만큼 재학습되어 도출된 최종 상기 정보도출모델과 최종 상기 추출모델 및 상기 연산모델에 의해 건전성 상태가 진단되는 진단부를 포함하고, 상기 적응적 시간-주파수 정보는, 복수의 상기 시간-주파수 정보의 평균으로 마련되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치에 의해 달성된다.
또한, 상기 손실함수는, 교차 엔트로피 오차로 마련되며, 상기 연산부는, 상기 손실함수로부터 역전파 방법을 통해 상기 데이터가공부와 상기 특성인자추출부의 상기 웨이트가 수정될 수 있다.
삭제
또한, 상기 데이터가공부는, 사용자로부터 상기 다중스케일 컨볼루션 필터의 스케일 개수와 채널 개수를 입력받아 상기 정보도출모델이 학습될 수 있다.
또한, 상기 특성인자추출부는, 사용자로부터 상기 합성곱 신경망 모델의 레이어 개수와, 풀링 방법과, 활성화 함수를 입력받아 상기 추출모델이 학습될 수 있다.
또한, 상기 시간-주파수 정보는, 수식 1에 기초하여 도출될 수 있다.
{수식 1}
Figure 112021105799558-pat00006
(상기
Figure 112022027618866-pat00007
는 상기 시간-주파수 정보, 상기
Figure 112022027618866-pat00008
는 상기 시계열데이터, 상기
Figure 112022027618866-pat00009
는 상기 k번째 상기
Figure 112022027618866-pat00010
의 스케일을 갖는 컨볼루션 필터, 상기 t는 트랜스레이팅 파라미터, 상기 v는 스케일링 파라미터)
또한, 상기 연산부는, 수식 2에 기초하여 상기 웨이트가 수정될 수 있다.
{수식 2}
Figure 112021105799558-pat00011
(상기
Figure 112021105799558-pat00012
은 수정된 상기 웨이트, 상기
Figure 112021105799558-pat00013
는 수정전 상기 웨이트, 상기
Figure 112021105799558-pat00014
는 사용자가 기설정한 상수, 상기 L은 상기 손실함수, 상기
Figure 112021105799558-pat00015
는 상기 웨이트에 대한 상기 손실함수의 미분값)
상기 목적은, 본 발명에 따라, 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다채널 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 복수의 시간-주파수 정보가 도출되고, 상기 복수의 시간-주파수 정보로부터 학습을 통해 최적화되는 시간-주파수 정보인 적응적 시간-주파수 정보가 도출되는 정보도출모델이 데이터가공부에 의해 학습되는 데이터가공단계; 상기 적응적 시간-주파수 정보를 입력받고, 상기 적응적 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자가 추출되는 추출모델이 특성인자추출부에 의해 학습되는 특성인자추출단계; 연산부에 의해 상기 특성인자로부터 상기 건전성 상태가 연산모델에 의해 분류되고, 손실함수가 계산되며, 상기 데이터가공단계와 상기 특성인자추출단계의 웨이트가 수정되는 연산단계; 및 진단부에 건전성 상태 레이블이 없는 시계열데이터가 입력되며, 수정된 상기 웨이트를 기초로 상기 데이터가공단계와 상기 특성인자추출단계가 기설정된 횟수만큼 반복되어 도출된 최종 상기 정보도출모델과 최종 상기 추출모델 및 상기 연산모델에 의해 건전성 상태가 진단되는 진단단계를 포함하고, 상기 적응적 시간-주파수 정보는, 복수의 상기 시간-주파수 정보의 평균으로 마련되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법에 의해 달성된다.
또한, 상기 손실함수는, 교차 엔트로피 오차로 마련되며, 상기 연산단계는, 상기 손실함수로부터 역전파 방법을 통해 상기 데이터가공단계와 상기 특성인자추출단계의 상기 웨이트가 수정될 수 있다.
삭제
또한, 상기 데이터가공단계는, 사용자로부터 상기 다중스케일 컨볼루션 필터의 스케일 개수와 채널 개수를 입력받아 상기 정보도출모델이 학습될 수 있다.
또한, 상기 특성인자추출단계는, 사용자로부터 상기 합성곱 신경망 모델의 레이어 개수와, 풀링 방법과, 활성화 함수를 입력받아 상기 추출모델이 학습될 수 있다.
또한, 상기 시간-주파수 정보는, 수식 1에 기초하여 도출될 수 있다.
{수식 1}
Figure 112021105799558-pat00016
(상기
Figure 112022027618866-pat00017
는 상기 시간-주파수 정보, 상기
Figure 112022027618866-pat00018
는 상기 시계열데이터, 상기
Figure 112022027618866-pat00019
는 상기 k번째 상기
Figure 112022027618866-pat00020
의 스케일을 갖는 컨볼루션 필터, 상기 t는 트랜스레이팅 파라미터, 상기 v는 스케일링 파라미터)
또한, 상기 연산단계는, 수식 2에 기초하여 상기 웨이트가 수정될 수 있다.
{수식 2}
Figure 112021105799558-pat00021
(상기
Figure 112021105799558-pat00022
은 수정된 상기 웨이트, 상기
Figure 112021105799558-pat00023
는 수정전 상기 웨이트, 상기
Figure 112021105799558-pat00024
는 사용자가 기설정한 상수, 상기 L은 상기 손실함수, 상기
Figure 112021105799558-pat00025
는 상기 웨이트에 대한 상기 손실함수의 미분값)
본 발명에 따르면, 딥러닝을 활용하여 고장진단에 필요한 특성인자를 데이터로부터 자율적으로 추출함으로써 진단 관련 전문지식의 의존성을 낮춰 다양한 시스템의 고장진단에 범용적으로 적용할 수 있는 효과가 있다.
또한, 본 발명에 따르면, 학습 가능한 다중스케일 컨볼루션 필터를 기저 함수로 활용하는 적응적 시간-주파수 표현을 통해 기존 TFR보다 풍부한 고장 관련 정보를 나타냄으로써 기존 방법보다 고장진단의 성능을 향상시키는 효과가 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치를 전체적으로 도시한 것이고,
도 2는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치의 적응적 시간-주파수 표현과 WT의 시간-주파수 표현을 도시한 것이고,
도 3은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치의 적응적 시간-주파수 표현 기반 CNN을 도시한 것이고,
도 4는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치의 특성인자추출부의 각 Layer 파라미터 및 연산부의 파라미터를 나타낸 것이고,
도 5는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법을 전체적으로 도시한 것이고,
도 6은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법의 플로우 차트를 도시한 것이고,
도 7은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법의 진단 정확도와 다른 방법의 진단 정확도를 비교한 것이고,
도 8은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법의 적응적 시간-주파수 표현을 STFT 및 WT의 시간-주파수 표현과 비교한 것이고,
도 9는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법의 특성인자를 t-SNE를 활용하여 시각화한 것을 STFT 및 WT의 결과와 비교한 것이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다.
그리고 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)에 대해서 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)를 전체적으로 도시한 것이고, 도 2는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)의 적응적 시간-주파수 표현과 WT의 시간-주파수 표현을 도시한 것이고, 도 3은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)의 적응적 시간-주파수 표현 기반 CNN을 도시한 것이고, 도 4는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치의 특성인자추출부의 각 Layer 파라미터 및 연산부의 파라미터를 나타낸 것이다.
도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)는 데이터가공부(110)와 특성인자추출부(120)와 연산부(130)와 진단부(140)를 포함한다.
데이터가공부(110)는 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 시간-주파수 정보를 도출하는 정보도출모델을 학습하는 구성이다. 여기서, 데이터가공부(110)는 고정된 파형을 갖는 웨이블릿 대신 1차원의 다중스케일 컨볼루션 필터(Multiscale convolutional filter)를 활용할 수 있다. 여기서, 컨볼루션 필터의 스케일은 필터의 크기를 의미할 수 있다.
이러한 데이터가공부(110)는 사용자로부터 다중스케일 컨볼루션 필터의 스케일 개수와, 채널 개수와, 스트라이딩(Striding) 간격 등을 입력받아 정보도출모델을 학습할 수 있다. 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)의 스케일 개수는 32개로 마련될 수 있고, 채널 개수는 8개로 마련될 수 있으며, 스트라이딩 간격은 1로 마련될 수 있다.
여기서, 시간-주파수 정보는 적응적 시간-주파수 정보로 마련될 수 있다. 상술한 적응적 시간-주파수 정보는 학습을 통해 최적화되는 시간-주파수 정보를 의미하며, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)에서는 다채널 다중스케일 필터를 활용하여 도출되는 시간-주파수 표현을 의미한다. 또한, 적응적 시간-주파수 표현은 다채널 다중스케일 필터로부터 도출된 복수의 시간-주파수 표현들의 집합으로 마련될 수도 있고, 복수의 시간-주파수 표현들의 평균으로 마련될 수 있다. 여기서, 적응적 시간-주파수 표현이 복수의 시간-주파수 표현들의 평균으로 마련된다면, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)의 채널의 개수가 8개인 경우 시간-주파수 표현은 8개로 마련되며, 적응적 시간-주파수 표현은 상술한 8개의 시간-주파수 표현의 평균으로 마련될 수 있다.
또한, 데이터가공부(110)는 각 스케일에 따른 시간-주파수 표현의 열의 개수를 동일하게 유지하도록 패딩(padding) 기법을 사용할 수 있다. 패딩 기법은 행렬의 상하좌우에 상수를 추가하여 컨볼루션 곱 과정에서 행렬의 크기가 변하지 않도록 하는 기법으로, 상수가 0으로 마련되는 제로 패딩(zero padding)이 사용될 수 있다.
또한, 시간-주파수 표현은 reshape 과정을 통해 128×128의 정사각형 행렬로 변형될 수 있다.
또한, 도 2에 도시된 바와 같이, 상술한 다중스케일 컨볼루션 필터는 다채널로 마련되는 것을 특징으로 한다. 여기서, 각 채널의 다중스케일 컨볼루션 필터는 서로 다르게 마련될 수 있다.
여기서, 상기 시간-주파수 정보는 수식 1에 기초하여 도출될 수 있다.
{수식 1}
Figure 112021105799558-pat00026
여기서, 상술한
Figure 112022027618866-pat00027
는 상술한 시간-주파수 정보를 나타내고, 상술한
Figure 112022027618866-pat00028
는 상술한 시계열데이터를 나타내고, 상술한
Figure 112022027618866-pat00029
는 상술한 k번째 상술한
Figure 112022027618866-pat00030
의 스케일을 갖는 컨볼루션 필터를 나타내고, 상술한 t는 트랜스레이팅 파라미터를 나타내고, 상술한 v는 스케일링 파라미터를 나타낸다.
또한, 데이터가공부(110)는 도 3에 도시된 바와 같이 기설정된 횟수만큼 종단 간 학습을 통해 재학습되면서 상술한 다중스케일 컨볼루션 필터를 수정할 수 있다. 여기서 상술한 다중스케일 컨볼루션 필터는 수식 4를 통해 학습될 수 있다.
{수식 4}
Figure 112021105799558-pat00031
여기서, 상술한
Figure 112021105799558-pat00032
는 상술한 k번째 상술한
Figure 112021105799558-pat00033
의 스케일을 갖는 컨볼루션 필터를 나타내고, 상술한
Figure 112021105799558-pat00034
는 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00035
는 수정된 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00036
는 사용자가 기설정한 상수를 나타내고, 상술한 L은 상술한 손실함수를 나타내고, 상술한
Figure 112021105799558-pat00037
는 상술한 웨이트에 대한 상술한 손실함수의 미분값을 나타낸다.
후술하는 연산부(130)에 의해 데이터가공부(110)의 웨이트는 수정될 수 있고, 데이터가공부(110)는 수정된 웨이트를 기초로 기설정된 횟수만큼 재학습되어 최종 정보도출모델을 도출할 수 있다. 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)는 학습이 완료된 이후 상술한 최종 정보도출모델을 통해 최종 다중스케일 컨볼루션 필터를 도출할 수 있다.
특성인자추출부(120)는 상술한 시간-주파수 정보를 입력받고, 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자를 추출하는 추출모델을 학습하는 구성이다.
여기서, 특성인자추출부(120)는 사용자로부터 합성곱 신경망 모델의 레이어 개수와, 풀링 방법과, 활성화 함수와, 필터 사이즈와, 채널 수 등을 입력받아 추출모델을 학습할 수 있다.
본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)의 특성인자추출부(120)는 도 4에 도시된 바와 같이 3개의 Layer로 구성될 수 있으며, 각각의 파라미터를 입력받을 수 있다.
도 3에 도시된 바와 같이, Layer 1은 적응적 시간-주파수 표현으로부터 특성인자 맵을 도출한다. 여기서, 적응적 시간-주파수 표현은 reshape 과정을 통해 128×128의 정사각형 행렬으로 마련되며, 길이 1을 갖는 제로 패딩을 통해 130×130의 정사각형 행렬로 변형된다. 변형된 행렬에 도 4에 도시된 Layer 1에 해당하는 합성곱 신경망 필터가 컨볼루션 곱해지면서 128×128의 정사각형 행렬이 도출되며, 풀링(pooling)에 의해 행렬의 차원이 축소된 제1특성인자 맵을 도출할 수 있다. 여기서, 풀링은 2×2의 max pooling으로 마련됨으로써 제1특성인자 맵은 64×64의 행렬로 마련될 수 있다. 제1특성인자 맵은 도 3 및 도 4에 도시된 바와 같이 Layer 2에 입력됨으로써 제2특성인자 맵이 도출될 수 있고, 제2특성인자 맵은 Layer 3에 입력됨으로써 제3특성인자 맵이 도출될 수 있다.
예를 들어, 도 4에 도시된 바와 같이 Layer 1은 8개의 채널로 마련될 수 있다. 이에 따르면, 128×128×1의 적응적 시간-주파수 표현이 Layer 1에 입력되어 3×3×1 합성곱 신경망 필터 8개와 컨볼루션 곱이 되고, 2×2의 max pooling을 거침으로써 64×64×8의 제1특성인자 맵이 도출된다. 64×64×8의 제1특성인자 맵은 Layer 2에 입력되어 3×3×8 합성곱 신경망 필터 16개와 컨볼루션 곱이 되고, 2×2의 max pooling을 거침으로써 32×32×16의 제2특성인자 맵이 도출된다. 32×32×16의 제2특성인자 맵은 Layer 3에 입력되어 3×3×16 합성곱 신경망 필터 32개와 컨볼루션 곱이 되고, 2×2의 max pooling을 거침으로써 16×16×32의 제3특성인자 맵이 도출된다.
여기서, 특성인자추출부(120)는 아래 수식 5에 기초하여 합성곱 신경망 필터의 컨볼루션 곱을 통해 특성인자 맵이 도출될 수 있다.
{수식 5}
Figure 112021105799558-pat00038
여기서, 상술한 FM은 특성인자 맵(Feature map)을 나타내고, 상술한 Input은 합성곱 신경망 필터와 곱해지는 입력값을 나타내고, 상술한 CF는 합성곱 신경망 필터를 나타내고, 상술한 σ는 활성화함수를 나타내고, p()는 pooling을 나타낸다.
또한, 특성인자추출부(120)는 도 3에 도시된 바와 같이 기설정된 횟수만큼 종단 간 학습을 통해 재학습되면서 상술한 합성곱 신경망 필터를 수정할 수 있다. 여기서 상술한 합성곱 신경망 필터는 학습가능한 웨이트들을 포함하는 행렬로 표현될 수 있다. 또한, 상술한 합성곱 신경망 필터의 웨이트는 아래 수식 6을 통해 학습될 수 있다.
{수식 6}
Figure 112021105799558-pat00039
여기서, 상술한
Figure 112021105799558-pat00040
는 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00041
는 수정된 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00042
는 사용자가 기설정한 상수를 나타내고, 상술한 L은 상술한 손실함수를 나타내고, 상술한
Figure 112021105799558-pat00043
는 상술한 웨이트에 대한 상술한 손실함수의 미분값을 나타낸다.
후술하는 연산부(130)에 의해 특성인자추출부(120)의 웨이트는 수정될 수 있고, 특성인자추출부(120)는 수정된 웨이트를 기초로 기설정된 횟수만큼 재학습되어 최종 추출모델을 도출할 수 있다. 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)의 후술하는 연산부(130)는 특성인자추출부(120)의 학습이 완료된 이후 상술한 최종 추출모델을 통해 최종 특성인자를 도출할 수 있다.
연산부(130)는 특성인자로부터 기어박스 시스템의 건전성 상태를 분류하고, 손실함수를 계산하는 구성으로, 데이터가공부(110)와 특성인자추출부(120)의 웨이트를 수정한다.
여기서, 연산부(130)는 도 3에 도시된 ‘상태 분류’를 수행할 수 있으며, 이 과정에서 도 4에 도시된 Average pooling과 Fully connected layer과 Softmax가 포함될 수 있다. 즉, 상술한 특성인자도출부(120)으로부터 도출된 특성인자가 연산부(130)에 입력되고 Average pooling과 Fully connected layer과 Softmax 과정을 거쳐 기어박스 시스템의 건전성 상태를 분류할 수 있다. 또한, 연산부(130)는 상술한 Fully connected layer의 웨이트를 수정할 수 있다.
예를들어, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)는 16×16×32의 제3특성인자 맵을 입력받을 수 있으며, 이를 도 4에 도시된 바와 같이 Averaging pooling을 통해 4×4×32의 행렬로 변환하고, 1차원으로 변형하면 512개(=4×4×32)의 벡터를 생성시킬 수 있다. 이러한 Averaging pooling을 거치지 않으면 8192개(=16×16×32)의 벡터를 계산해야 하므로, Averaging pooling을 통해 연산속도가 획기적으로 빨라지는 효과가 있다. 또한, 연산부(130)는 128×512의 학습 가능한 웨이트로 구성된 행렬을 512의 크기를 갖는 상술한 벡터에 곱함으로써 128의 크기를 갖는 벡터를 도출하고, ReLU 함수를 적용함으로써 비선형성을 추가할 수 있다. 비선형성이 추가된 벡터에 6×128의 학습 가능한 웨이트로 구성된 행렬을 곱함으로써 6의 크기를 갖는 벡터를 도출하고, ReLU 함수를 적용함으로써 비선형성이 추가된 6의 크기를 갖는 벡터를 도출할 수 있다. 도출된 벡터에 Softmax 함수를 적용함으로써 6개의 class(정상, 고장1, 고장2, 고장3, 고장4, 고장5)에 속할 각 확률을 계산하고, 확률이 가장 높은 class에 해당하는 건전성 상태를 결과값으로 분류한다.
여기서, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)는 고장을 모사하기 위해 플래닛기어(Planet gear)의 치면을 반원 형태로 가공하였으며, 서로 다른 고장 심각도를 모사하기 위해, 가공된 반원 지름의 크기는 0,25mm부터 1.25mm까지 0.25mm 간격으로 5개의 고장을 모사하여 진동 신호를 취득할 수 있다.
이러한 연산부(130)는 결과값과 라벨링되어 있는 기어박스의 상태를 비교함으로써 손실함수를 계산할 수 있다.
여기서, 손실함수는 교차 엔트로피 오차로 마련될 수 있으며, 아래 수식 7과 같이 계산될 수 있다.
{수식 7}
Figure 112021105799558-pat00044
여기서, 상술한 E(w)는 교차 엔트로피 오차를 나타내고, 상술한 n은 데이터 개수를 나타내고, 상술한 C는 전체 클래스 개수를 나타내고, 상술한
Figure 112021105799558-pat00045
는 실제 레이블을 나타내고, 상술한
Figure 112021105799558-pat00046
는 상술한 연산부(130)에서 예측한 레이블을 나타낸다.
또한, 연산부(130)는 손실함수로부터 역전파 방법을 통해 데이터가공부(110)와 특성인자추출부(120)의 웨이트를 수정할 수 있다. 여기서, 연산부(130)는 수식 2에 기초하여 웨이트를 수정할 수 있다.
{수식 2}
Figure 112021105799558-pat00047
여기서, 상술한
Figure 112021105799558-pat00048
은 수정된 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00049
는 수정전 상술한 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00050
는 사용자가 기설정한 상수를 나타내고, 상술한 L은 상술한 손실함수를 나타내고, 상술한
Figure 112021105799558-pat00051
는 상술한 웨이트에 대한 상술한 손실함수의 미분값을 나타낸다.
상술한 데이터가공부(110)와 특성인자추출부(120)는 수정된 웨이트를 사용하여 재학습될 수 있으며, 이러한 재학습 과정은 기설정된 횟수만큼 반복될 수 있다.
또한, 연산부(130)의 상술한 학습가능한 웨이트로 구성된 행렬은 특성인자추출부(120)로부터 도출된 특성인자 맵을 입력값으로 하여 학습됨으로써 최종 연산모델을 도출할 수 있다.
상술한 데이터가공부(110)와 특성인자추출부(120)와 연산부(130)가 기설정된 횟수만큼 학습이 완료되어 최종 정보도출모델과 최종 추출모델과 최종 연산모델이 도출되는 경우, 사용자는 라벨링되어있지 않은 시계열데이터를 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)에 입력함으로써 기어박스의 상태를 분류할 수 있다.
진단부(140)는 건전성 상태 레이블이 없는 시계열데이터가 입력되는 구성으로, 데이터가공부(110)와 특성인자추출부(120)와 연산부(130)로부터 최종 정보도출모델과 최종 추출모델과 연산모델을 전달받는다.
도 6에 도시된 바와 같이, 진단부(140)는 수정된 웨이트를 기초로 데이터가공부(110)와 특성인자추출부(120)가 기설정된 횟수만큼 재학습되어 도출된 최종 정보도출모델과 최종 추출모델 및 연산모델에 의해 시스템의 건전성 상태(고장상태)를 진단할 수 있다. 여기서, 연산모델은 연산부(130)가 기설정된 횟수만큼 재학습되어 웨이트가 수정된 최종 연산모델로 마련될 수 있다.
상술한 바와 같은 데이터가공부(110), 특성인자추출부(120), 연산부(130), 진단부(140)를 포함하는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치(100)에 따르면, 딥러닝을 활용하여 고장진단에 필요한 특성인자를 데이터로부터 자율적으로 추출함으로써 진단 관련 전문지식의 의존성을 낮춰 다양한 시스템의 고장진단에 범용적으로 적용할 수 있는 효과가 있다. 또한, 학습 가능한 다중스케일 컨볼루션 필터를 기저 함수로 활용하는 적응적 시간-주파수 표현을 통해 기존 TFR보다 풍부한 고장 관련 정보를 나타냄으로써 기존 방법보다 고장진단의 성능을 향상시키는 효과가 있다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)에 대해서 상세히 설명한다.
도 5는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)을 전체적으로 도시한 것이다.
도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)은 데이터가공단계(S110)와 특성인자추출단계(S120)와 연산단계(S130)와 진단단계(S140)를 포함한다.
데이터가공단계(S110)는 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 시간-주파수 정보가 도출되는 정보도출모델이 데이터가공부(110)에 의해 학습되는 단계이다.
이러한 데이터가공단계(S110)는 사용자로부터 다중스케일 컨볼루션 필터의 스케일 개수와, 채널 개수와, 스트라이딩(Striding) 간격 등을 입력받아 정보도출모델을 학습할 수 있다. 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 스케일 개수는 32개로 마련될 수 있고, 채널 개수는 8개로 마련될 수 있으며, 스트라이딩 간격은 1로 마련될 수 있다.
여기서, 시간-주파수 정보는 적응적 시간-주파수 정보로 마련될 수 있다. 상술한 적응적 시간-주파수 정보는 학습을 통해 최적화되는 시간-주파수 정보를 의미하며, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)에서는 다채널 다중스케일 필터를 활용하여 도출되는 시간-주파수 표현을 의미한다. 또한, 적응적 시간-주파수 표현은 다채널 다중스케일 필터로부터 도출된 복수의 시간-주파수 표현들의 집합으로 마련될 수도 있고, 복수의 시간-주파수 표현들의 평균으로 마련될 수 있다. 여기서, 적응적 시간-주파수 표현이 복수의 시간-주파수 표현들의 평균으로 마련된다면, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 채널의 개수가 8개인 경우 시간-주파수 표현은 8개로 마련되며, 적응적 시간-주파수 표현은 상술한 8개의 시간-주파수 표현의 평균으로 마련될 수 있다.
또한, 데이터가공단계(S110)는 각 스케일에 따른 시간-주파수 표현의 열의 개수를 동일하게 유지하도록 패딩(padding) 기법을 사용할 수 있다. 패딩 기법은 행렬의 상하좌우에 상수를 추가하여 컨볼루션 곱 과정에서 행렬의 크기가 변하지 않도록 하는 기법으로, 상수가 0으로 마련되는 제로 패딩(zero padding)이 사용될 수 있다.
또한, 시간-주파수 표현은 reshape 과정을 통해 128×128의 정사각형 행렬로 변형될 수 있다.
또한, 도 2에 도시된 바와 같이, 상술한 다중스케일 컨볼루션 필터는 다채널로 마련되는 것을 특징으로 한다. 여기서, 각 채널의 다중스케일 컨볼루션 필터는 서로 다르게 마련될 수 있다.
여기서, 상기 시간-주파수 정보는 수식 1에 기초하여 도출될 수 있다.
{수식 1}
Figure 112021105799558-pat00052
여기서, 상술한
Figure 112022027618866-pat00053
는 상술한 시간-주파수 정보를 나타내고, 상술한
Figure 112022027618866-pat00054
는 상술한 시계열데이터를 나타내고, 상술한
Figure 112022027618866-pat00055
는 상술한 k번째 상술한
Figure 112022027618866-pat00056
의 스케일을 갖는 컨볼루션 필터를 나타내고, 상술한 t는 트랜스레이팅 파라미터를 나타내고, 상술한 v는 스케일링 파라미터를 나타낸다.
또한, 데이터가공단계(S110)는 도 3에 도시된 바와 같이 기설정된 횟수만큼 종단 간 학습을 통해 재학습되면서 상술한 다중스케일 컨볼루션 필터를 수정할 수 있다. 여기서 상술한 다중스케일 컨볼루션 필터는 수식 4를 통해 학습될 수 있다.
{수식 4}
Figure 112021105799558-pat00057
여기서, 상술한
Figure 112021105799558-pat00058
는 상술한 k번째 상술한
Figure 112021105799558-pat00059
의 스케일을 갖는 컨볼루션 필터를 나타내고, 상술한
Figure 112021105799558-pat00060
는 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00061
는 수정된 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00062
는 사용자가 기설정한 상수를 나타내고, 상술한 L은 상술한 손실함수를 나타내고, 상술한
Figure 112021105799558-pat00063
는 상술한 웨이트에 대한 상술한 손실함수의 미분값을 나타낸다.
후술하는 연산단계(S130)에 의해 데이터가공단계(S110)의 웨이트는 수정될 수 있고, 데이터가공단계(S110)는 수정된 웨이트를 기초로 기설정된 횟수만큼 재학습되어 최종 정보도출모델을 도출할 수 있다. 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)은 학습이 완료된 이후 상술한 최종 정보도출모델을 통해 최종 다중스케일 컨볼루션 필터를 도출할 수 있다.
특성인자추출단계(S120)는 상술한 시간-주파수 정보를 입력받고, 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자가 추출되는 추출모델이 특성인자추출부(120)에 의해 학습되는 단계이다.
여기서, 특성인자추출단계(S120)는 사용자로부터 합성곱 신경망 모델의 레이어 개수와, 풀링 방법과, 활성화 함수와, 필터 사이즈와, 채널 수 등을 입력받아 추출모델을 학습할 수 있다.
본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 특성인자추출단계(S120)는 도 4에 도시된 바와 같이 3개의 Layer로 구성될 수 있으며, 각각의 파라미터를 입력받을 수 있다.
도 3에 도시된 바와 같이, Layer 1은 적응적 시간-주파수 표현으로부터 특성인자 맵을 도출한다. 여기서, 적응적 시간-주파수 표현은 reshape 과정을 통해 128×128의 정사각형 행렬으로 마련되며, 길이 1을 갖는 제로 패딩을 통해 130×130의 정사각형 행렬로 변형된다. 변형된 행렬에 도 4에 도시된 Layer 1에 해당하는 합성곱 신경망 필터가 컨볼루션 곱해지면서 128×128의 정사각형 행렬이 도출되며, 풀링(pooling)에 의해 행렬의 차원이 축소된 제1특성인자 맵을 도출할 수 있다. 여기서, 풀링은 2×2의 max pooling으로 마련됨으로써 제1특성인자 맵은 64×64의 행렬로 마련될 수 있다. 제1특성인자 맵은 도 3 및 도 4에 도시된 바와 같이 Layer 2에 입력됨으로써 제2특성인자 맵이 도출될 수 있고, 제2특성인자 맵은 Layer 3에 입력됨으로써 제3특성인자 맵이 도출될 수 있다.
예를 들어, 도 4에 도시된 바와 같이 Layer 1은 8개의 채널로 마련될 수 있다. 이에 따르면, 128×128×1의 적응적 시간-주파수 표현이 Layer 1에 입력되어 3×3×1 합성곱 신경망 필터 8개와 컨볼루션 곱이 되고, 2×2의 max pooling을 거침으로써 64×64×8의 제1특성인자 맵이 도출된다. 64×64×8의 제1특성인자 맵은 Layer 2에 입력되어 3×3×8 합성곱 신경망 필터 16개와 컨볼루션 곱이 되고, 2×2의 max pooling을 거침으로써 32×32×16의 제2특성인자 맵이 도출된다. 32×32×16의 제2특성인자 맵은 Layer 3에 입력되어 3×3×16 합성곱 신경망 필터 32개와 컨볼루션 곱이 되고, 2×2의 max pooling을 거침으로써 16×16×32의 제3특성인자 맵이 도출된다.
여기서, 특성인자추출단계(S120)는 아래 수식 5에 기초하여 합성곱 신경망 필터의 컨볼루션 곱을 통해 특성인자 맵이 도출될 수 있다.
{수식 5}
Figure 112021105799558-pat00064
여기서, 상술한 FM은 특성인자 맵(Feature map)을 나타내고, 상술한 Input은 합성곱 신경망 필터와 곱해지는 입력값을 나타내고, 상술한 CF는 합성곱 신경망 필터를 나타내고, 상술한 σ는 활성화함수를 나타내고, p()는 pooling을 나타낸다.
또한, 특성인자추출단계(S120)는 도 3에 도시된 바와 같이 기설정된 횟수만큼 종단 간 학습을 통해 재학습되면서 상술한 합성곱 신경망 필터를 수정할 수 있다. 여기서 상술한 합성곱 신경망 필터는 학습가능한 웨이트들을 포함하는 행렬로 표현될 수 있다. 또한, 상술한 합성곱 신경망 필터의 웨이트는 아래 수식 6을 통해 학습될 수 있다.
{수식 6}
Figure 112021105799558-pat00065
여기서, 상술한
Figure 112021105799558-pat00066
는 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00067
는 수정된 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00068
는 사용자가 기설정한 상수를 나타내고, 상술한 L은 상술한 손실함수를 나타내고, 상술한
Figure 112021105799558-pat00069
는 상술한 웨이트에 대한 상술한 손실함수의 미분값을 나타낸다.
후술하는 연산단계(S130)에 의해 특성인자추출단계(S120)의 웨이트는 수정될 수 있고, 특성인자추출단계(S120)는 수정된 웨이트를 기초로 기설정된 횟수만큼 재학습되어 최종 추출모델을 도출할 수 있다. 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 후술하는 연산단계(S130)는 특성인자추출단계(S120)의 학습이 완료된 이후 상술한 최종 추출모델을 통해 최종 특성인자를 도출할 수 있다.
연산단계(S130)는 연산부(130)에 의해 특성인자로부터 기어박스 시스템의 건전성 상태가 분류되고, 손실함수가 계산되는 단계로, 데이터가공단계(S110)와 특성인자추출단계(S120)의 웨이트를 수정한다.
여기서, 연산단계(S130)는 도 3에 도시된 ‘상태 분류’를 수행할 수 있으며, 이 과정에서 도 4에 도시된 Average pooling과 Fully connected layer과 Softmax가 포함될 수 있다. 즉, 상술한 특성인자도출단계(S120)로부터 도출된 특성인자가 연산단계(S130)에 입력되고 Average pooling과 Fully connected layer과 Softmax 과정을 거쳐 기어박스 시스템의 건전성 상태를 분류할 수 있다. 또한, 연산단계(S130)는 상술한 Fully connected layer의 웨이트를 수정할 수 있다.
예를들어, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)은 16×16×32의 제3특성인자 맵을 입력받을 수 있으며, 이를 도 4에 도시된 바와 같이 Averaging pooling을 통해 4×4×32의 행렬로 변환하고, 1차원으로 변형하면 512개(=4×4×32)의 벡터를 생성시킬 수 있다. 이러한 Averaging pooling을 거치지 않으면 8192개(=16×16×32)의 벡터를 계산해야 하므로, Averaging pooling을 통해 연산속도가 획기적으로 빨라지는 효과가 있다. 또한, 연산단계(S130)는 128×512의 학습 가능한 웨이트로 구성된 행렬을 512의 크기를 갖는 상술한 벡터에 곱함으로써 128의 크기를 갖는 벡터를 도출하고, ReLU 함수를 적용함으로써 비선형성을 추가할 수 있다. 비선형성이 추가된 벡터에 6×128의 학습 가능한 웨이트로 구성된 행렬을 곱함으로써 6의 크기를 갖는 벡터를 도출하고, ReLU 함수를 적용함으로써 비선형성이 추가된 6의 크기를 갖는 벡터를 도출할 수 있다. 도출된 벡터에 Softmax 함수를 적용함으로써 6개의 class(정상, 고장1, 고장2, 고장3, 고장4, 고장5)에 속할 각 확률을 계산하고, 확률이 가장 높은 class에 해당하는 건전성 상태를 결과값으로 분류한다.
여기서, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)은 고장을 모사하기 위해 플래닛기어(Planet gear)의 치면을 반원 형태로 가공하였으며, 서로 다른 고장 심각도를 모사하기 위해, 가공된 반원 지름의 크기는 0,25mm부터 1.25mm까지 0.25mm 간격으로 5개의 고장을 모사하여 진동 신호를 취득할 수 있다.
이러한 연산단계(S130)는 결과값과 라벨링되어 있는 기어박스의 상태를 비교함으로써 손실함수를 계산할 수 있다.
여기서, 손실함수는 교차 엔트로피 오차로 마련될 수 있으며, 아래 수식 7과 같이 계산될 수 있다.
{수식 7}
Figure 112021105799558-pat00070
여기서, 상술한 E(w)는 교차 엔트로피 오차를 나타내고, 상술한 n은 데이터 개수를 나타내고, 상술한 C는 전체 클래스 개수를 나타내고, 상술한
Figure 112021105799558-pat00071
는 실제 레이블을 나타내고, 상술한
Figure 112021105799558-pat00072
는 상술한 연산부(130)에서 예측한 레이블을 나타낸다.
또한, 연산단계(S130)는 손실함수로부터 역전파 방법을 통해 데이터가공단계(S110)와 특성인자추출단계(S120)의 웨이트를 수정할 수 있다. 여기서, 연산단계(S130)는 수식 2에 기초하여 웨이트를 수정할 수 있다.
{수식 2}
Figure 112021105799558-pat00073
여기서, 상술한
Figure 112021105799558-pat00074
은 수정된 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00075
는 수정전 상술한 웨이트를 나타내고, 상술한
Figure 112021105799558-pat00076
는 사용자가 기설정한 상수를 나타내고, 상술한 L은 상술한 손실함수를 나타내고, 상술한
Figure 112021105799558-pat00077
는 상술한 웨이트에 대한 상술한 손실함수의 미분값을 나타낸다.
상술한 데이터가공단계(S110)와 특성인자추출단계(S120)는 수정된 웨이트를 사용하여 재학습될 수 있으며, 이러한 재학습 과정은 기설정된 횟수만큼 반복될 수 있다.
또한, 연산단계(S130)의 상술한 학습가능한 웨이트로 구성된 행렬은 특성인자추출단계(S120)로부터 도출된 특성인자 맵을 입력값으로 하여 학습됨으로써 최종 연산모델을 도출할 수 있다.
상술한 데이터가공단계(S110)와 특성인자추출단계(S120)와 연산단계(S130)가 기설정된 횟수만큼 학습이 완료되어 최종 정보도출모델과 최종 추출모델과 최종 연산모델이 도출되는 경우, 사용자는 라벨링되어있지 않은 시계열데이터를 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)에 입력함으로써 기어박스의 상태를 분류할 수 있다.
진단단계(S140)는 진단부(140)에 건전성 상태 레이블이 없는 시계열데이터가 입력되고, 데이터가공부(110)와 특성인자추출부(120)와 연산부(130)로부터 최종 정보도출모델과 최종 추출모델과 연산모델을 전달받아 건전성 상태가 진단되는 단계이다.
즉, 도 6에 도시된 바와 같이, 진단단계(S140)는 수정된 웨이트를 기초로 데이터가공단계(S110)와 특성인자추출단계(S120)가 기설정된 횟수만큼 반복되어 도출된 최종 정보도출모델과 최종 추출모델 및 연산모델에 의해 시스템의 건전성 상태(고장상태)를 진단할 수 있다. 여기서, 연산모델은 연산단계(S130)가 기설정된 횟수만큼 재학습되어 웨이트가 수정된 최종 연산모델로 마련될 수 있다.
상술한 바와 같은 데이터가공단계(S110), 특성인자추출단계(S120), 연산단계(S130), 진단단계(S140)를 포함하는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)에 따르면, 딥러닝을 활용하여 고장진단에 필요한 특성인자를 데이터로부터 자율적으로 추출함으로써 진단 관련 전문지식의 의존성을 낮춰 다양한 시스템의 고장진단에 범용적으로 적용할 수 있는 효과가 있다. 또한, 학습 가능한 다중스케일 컨볼루션 필터를 기저 함수로 활용하는 적응적 시간-주파수 표현을 통해 기존 TFR보다 풍부한 고장 관련 정보를 나타냄으로써 기존 방법보다 고장진단의 성능을 향상시키는 효과가 있다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 프로세스에 대해서 상세히 설명한다.
도 6은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 플로우 차트를 도시한 것이다.
1) 사용자는 대상 시스템의 건전성 상태를 레이블로 갖는 시계열 데이터(예: 진동 신호)를 확보하고, 시계열 데이터를 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법에 입력한다.
2) 입력된 시계열 데이터는 데이터가공단계(S110)를 거침으로써 2차원의 적응적 시간-주파수 표현으로 변환된다. 사용자는 데이터가공단계(S110)에서 기저 함수로 활용되는 컨볼루션 필터를 위해 고려되는 스케일 개수와, 다채널 접근법을 활용하기 위한 채널 수를 설정한다.
3) 특성인자추출단계(S120)는 적응적 시간-주파수 표현을 입력받아 특성인자를 자율적으로 추출한다. 사용자는 일반적인 합성곱 신경망 설계 방식에 따라 레이어(Layer)의 수, 풀링(Pooling) 방법, 활성화 함수(Activation function) 등을 설정한다.
4) 연산단계(S130)는 특성인자에 따라 시스템의 건전성 상태를 예측하며, 이 과정에서 Average pooling과 Fully connected layer과 Softmax 과정을 사용할 수 있다. 또한, 연산단계(S130)는 레이블로 지정된 건전성 상태와 예측된 상태를 비교함으로써 손실함수를 계산한다. 여기서, 손실함수는 교차 엔트로피 오차(Cross-entropy loss)가 사용될 수 있다.
5) 연산단계(S130)는 손실함수로부터 역전파(Backpropagation) 방법을 통해 적응적 시간-주파수 표현 생성 모듈인 데이터가공단계(S110)의 파라미터와, 합성곱 신경망 모델의 파라미터인 특성인자추출단계(S120) 및 연산단계(S130)의 파라미터를 업데이트한다.
6) 2번 내지 5번의 단계는 기설정된 횟수만큼 반복된다. 기설정된 횟수는 사용자가 지정할 수도 있고, 손실함수의 기울기 변화가 기설정된 값 이하인 경우까지로 지정될 수 있다.
7) 모델 학습이 완료되면 최종 모델이 도출되며, 도출된 최종 모델은 진단부(140)로 전달된다.
8) 사용자는 진단부(140)에 저장된 최종 모델에 레이블이 지정되지 않은 시계열 데이터를 입력함으로써 진단단계(S140)에 의해 기어박스의 건전성 상태를 진단할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 성능에 대해서 상세히 설명한다.
도 7은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 진단 정확도와 다른 방법의 진단 정확도를 비교한 것이고, 도 8은 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 적응적 시간-주파수 표현을 STFT 및 WT의 시간-주파수 표현과 비교한 것이고, 도 9는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 특성인자를 t-SNE를 활용하여 시각화한 것을 STFT 및 WT의 결과와 비교한 것이다.
도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 진단 정확도와 기존 방법의 진단 정확도를 비교하면, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)이 가장 높은 진단 정확도를 보인다. 여기서, 기존 방법으로는 단시간 푸리에 변환(Short-time Fourier transform, STFT)과 웨이블릿 변환(Wavelet transform, WT)을 활용하였다. STFT는 사용되는 윈도우의 크기에 성능의 영향을 받으므로, 서로 다른 윈도우 크기인 16, 32를 활용하였다. 또한, WT는 사용되는 웨이블릿의 유형에 따라 성능이 달라지므로, Morlet 웨이블릿과 Mexican hat 웨이블릿을 활용하였다. 이러한 기존의 시간-주파수 표현(time-frequency representation, TFR)을 활용하여, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)에서 활용된 것과 동일한 CNN 모델을 활용하여 기어박스 건전성 분류 정확도를 산출하였다.
기어박스 건전성 분류의 정확도가 향상되기 위해서는 시간-주파수 표현에서 고장 관련 정보가 많이 포함되어야 하며, 고장 관련 정보는 시간-주파수 표현에서 노란색으로 강조된다.
도 8(a)는 진동 시계열 데이터를 나타내고, 도 8(b)는 윈도우 크기가 32인 STFT를 활용한 시간-주파수 표현을 시각화한 것이고, 도 8(c)는 Mexican hat 유형을 웨이블릿으로 사용하는 WT를 활용한 시간-주파수 표현을 시각화한 것이고, 도 8(d)는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 적응적 시간-주파수 표현(Adaptive time-frequency representation, Adaptive TFR)을 시각화한 것이다.
도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)의 적응적 시간-주파수 표현이 학습 가능한 기저 함수를 사용하기 때문에 STFT와 WT를 활용한 시간-주파수 표현보다 더 많은 고장 관련 정보를 포함하였다.
또한, TFR 및 Adaptive TFR로부터 CNN 모델이 추출한 특성인자의 성능을 시각화하기 위해 t-stochastic neighbor embedding (t-SNE)를 사용하였고, 도 9는 t-SNE를 활용한 특성인자의 시각화 결과를 나타낸다.
도 9(a)는 진동 신호 자체만으로 특성인자를 추출하여 시각화한 것이고, 도 9(b)는 윈도우 크기가 32인 STFT로 특성인자를 추출하여 시각화한 것이고, 도 9(c)는 Mexican hat 유형을 웨이블릿으로 사용하는 WT로 특성인자를 추출하여 시각화한 것이고, 도 9(d)는 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)으로 특성인자를 추출하여 시각화한 것이다.
도 9(a)에 도시된 바와 같이, 진동 시계열 신호 자체만으로는 기어박스의 건전성을 분류하기 어려운 것을 알 수 있다. 또한, 도 9(b) 및 도 9(c)와 같이, 기존의 시간-주파수 표현을 활용했을 때, CNN이 추출한 특성인자는 기어박스의 건전성 상태를 완벽하게 분리해내지 못하므로 궁극적으로 건전성 분류 정확도가 떨어지는 원인이 되는 것을 알 수 있다. 그러나 도 9(d)에 도시된 바와 같이, Adaptive TFR에서 CNN이 추출한 특성인자는 건전성 상태별로 잘 군집화되는 것을 알 수 있다. 이를 통해, 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법(S100)에서 제안하는 기술이 기어박스의 건전성 상태를 잘 분류하는 것을 확인할 수 있다.
이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
그리고 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 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 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 : 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치
110 : 데이터가공부
120 : 특성인자추출부
130 : 연산부
140 : 진단부
S100 : 본 발명의 일실시예에 따른 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법
S110 : 데이터가공단계
S120 : 특성인자추출단계
S130 : 연산단계
S140 : 진단단계

Claims (14)

  1. 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다채널 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 복수의 시간-주파수 정보가 도출되고, 상기 복수의 시간-주파수 정보로부터 학습을 통해 최적화되는 시간-주파수 정보인 적응적 시간-주파수 정보가 도출되는 정보도출모델이 학습되는 데이터가공부;
    상기 적응적 시간-주파수 정보를 입력받고, 상기 적응적 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자가 추출되는 추출모델이 학습되는 특성인자추출부;
    상기 특성인자로부터 상기 건전성 상태가 연산모델에 의해 분류되고, 손실함수가 계산되며, 상기 데이터가공부와 상기 특성인자추출부의 웨이트가 수정되는 연산부; 및
    건전성 상태 레이블이 없는 시계열데이터가 입력되며, 수정된 상기 웨이트를 기초로 상기 데이터가공부와 상기 특성인자추출부가 기설정된 횟수만큼 재학습되어 도출된 최종 상기 정보도출모델과 최종 상기 추출모델 및 상기 연산모델에 의해 건전성 상태가 진단되는 진단부를 포함하고,
    상기 적응적 시간-주파수 정보는,
    복수의 상기 시간-주파수 정보의 평균으로 마련되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치.
  2. 청구항 1에 있어서,
    상기 손실함수는,
    교차 엔트로피 오차로 마련되며,
    상기 연산부는,
    상기 손실함수로부터 역전파 방법을 통해 상기 데이터가공부와 상기 특성인자추출부의 상기 웨이트가 수정되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치.
  3. 삭제
  4. 청구항 1에 있어서,
    상기 데이터가공부는,
    사용자로부터 상기 다중스케일 컨볼루션 필터의 스케일 개수와 채널 개수를 입력받아 상기 정보도출모델이 학습되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치.
  5. 청구항 1에 있어서,
    상기 특성인자추출부는,
    사용자로부터 상기 합성곱 신경망 모델의 레이어 개수와, 풀링 방법과, 활성화 함수를 입력받아 상기 추출모델이 학습되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치.
  6. 청구항 1에 있어서,
    상기 시간-주파수 정보는,
    수식 1에 기초하여 도출되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치.
    {수식 1}
    Figure 112022027618866-pat00078

    (상기
    Figure 112022027618866-pat00079
    는 상기 시간-주파수 정보, 상기
    Figure 112022027618866-pat00080
    는 상기 시계열데이터, 상기
    Figure 112022027618866-pat00081
    는 상기 k번째 상기
    Figure 112022027618866-pat00082
    의 스케일을 갖는 컨볼루션 필터, 상기 t는 트랜스레이팅 파라미터, 상기 v는 스케일링 파라미터)
  7. 청구항 1에 있어서,
    상기 연산부는,
    수식 2에 기초하여 상기 웨이트가 수정되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치.
    {수식 2}
    Figure 112021105799558-pat00083

    (상기
    Figure 112021105799558-pat00084
    은 수정된 상기 웨이트, 상기
    Figure 112021105799558-pat00085
    는 수정전 상기 웨이트, 상기
    Figure 112021105799558-pat00086
    는 사용자가 기설정한 상수, 상기 L은 상기 손실함수, 상기
    Figure 112021105799558-pat00087
    는 상기 웨이트에 대한 상기 손실함수의 미분값)
  8. 기어박스의 건전성 상태를 레이블로 갖는 시계열데이터에 다채널 다중스케일 컨볼루션 필터를 컨볼루션 곱하여 복수의 시간-주파수 정보가 도출되고, 상기 복수의 시간-주파수 정보로부터 학습을 통해 최적화되는 시간-주파수 정보인 적응적 시간-주파수 정보가 도출되는 정보도출모델이 데이터가공부에 의해 학습되는 데이터가공단계;
    상기 적응적 시간-주파수 정보를 입력받고, 상기 적응적 시간-주파수 정보로부터 합성곱 신경망을 통해 특성인자가 추출되는 추출모델이 특성인자추출부에 의해 학습되는 특성인자추출단계;
    연산부에 의해 상기 특성인자로부터 상기 건전성 상태가 연산모델에 의해 분류되고, 손실함수가 계산되며, 상기 데이터가공단계와 상기 특성인자추출단계의 웨이트가 수정되는 연산단계; 및
    진단부에 건전성 상태 레이블이 없는 시계열데이터가 입력되며, 수정된 상기 웨이트를 기초로 상기 데이터가공단계와 상기 특성인자추출단계가 기설정된 횟수만큼 반복되어 도출된 최종 상기 정보도출모델과 최종 상기 추출모델 및 상기 연산모델에 의해 건전성 상태가 진단되는 진단단계를 포함하고,
    상기 적응적 시간-주파수 정보는,
    복수의 상기 시간-주파수 정보의 평균으로 마련되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법.
  9. 청구항 8에 있어서,
    상기 손실함수는,
    교차 엔트로피 오차로 마련되며,
    상기 연산단계는,
    상기 손실함수로부터 역전파 방법을 통해 상기 데이터가공단계와 상기 특성인자추출단계의 상기 웨이트가 수정되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법.
  10. 삭제
  11. 청구항 8에 있어서,
    상기 데이터가공단계는,
    사용자로부터 상기 다중스케일 컨볼루션 필터의 스케일 개수와 채널 개수를 입력받아 상기 정보도출모델이 학습되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법.
  12. 청구항 8에 있어서,
    상기 특성인자추출단계는,
    사용자로부터 상기 합성곱 신경망 모델의 레이어 개수와, 풀링 방법과, 활성화 함수를 입력받아 상기 추출모델이 학습되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법.
  13. 청구항 8에 있어서,
    상기 시간-주파수 정보는,
    수식 1에 기초하여 도출되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법.
    {수식 1}
    Figure 112022027618866-pat00088

    (상기
    Figure 112022027618866-pat00089
    는 상기 시간-주파수 정보, 상기
    Figure 112022027618866-pat00090
    는 상기 시계열데이터, 상기
    Figure 112022027618866-pat00091
    는 상기 k번째 상기
    Figure 112022027618866-pat00092
    의 스케일을 갖는 컨볼루션 필터, 상기 t는 트랜스레이팅 파라미터, 상기 v는 스케일링 파라미터)
  14. 청구항 8에 있어서,
    상기 연산단계는,
    수식 2에 기초하여 상기 웨이트가 수정되는 것을 특징으로 하는 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 방법.
    {수식 2}
    Figure 112021105799558-pat00093

    (상기
    Figure 112021105799558-pat00094
    은 수정된 상기 웨이트, 상기
    Figure 112021105799558-pat00095
    는 수정전 상기 웨이트, 상기
    Figure 112021105799558-pat00096
    는 사용자가 기설정한 상수, 상기 L은 상기 손실함수, 상기
    Figure 112021105799558-pat00097
    는 상기 웨이트에 대한 상기 손실함수의 미분값)
KR1020210121832A 2021-09-13 2021-09-13 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 KR102404498B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210121832A KR102404498B1 (ko) 2021-09-13 2021-09-13 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210121832A KR102404498B1 (ko) 2021-09-13 2021-09-13 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102404498B1 true KR102404498B1 (ko) 2022-05-31

Family

ID=81786976

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210121832A KR102404498B1 (ko) 2021-09-13 2021-09-13 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102404498B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034268A (zh) * 2022-06-17 2022-09-09 辽宁大学 一种双向lstm融合多尺度卷积的轴承亚健康识别算法
CN117018858A (zh) * 2023-08-11 2023-11-10 滁州锡安环保科技有限责任公司 工业废气净化设备及其控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Duyu Tang et al., "Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform," Computers in Industry 106 (2019) 48-59 (2019.01.02.)* *
Hangting Chen et al., "AN AUDIO SCENE CLASSIFICATION FRAMEWORK WITH EMBEDDED FILTERS AND A DCT-BASED TEMPORAL MODULE,"ICASSP 2019 (2019.05.12.)* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034268A (zh) * 2022-06-17 2022-09-09 辽宁大学 一种双向lstm融合多尺度卷积的轴承亚健康识别算法
CN117018858A (zh) * 2023-08-11 2023-11-10 滁州锡安环保科技有限责任公司 工业废气净化设备及其控制方法

Similar Documents

Publication Publication Date Title
US11544917B2 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
EP3776113B1 (en) Apparatus and method for controlling system
KR102404498B1 (ko) 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN110543860B (zh) 基于tjm迁移学习的机械故障诊断方法及系统
CN113935460A (zh) 类不平衡数据集下的机械故障智能诊断方法
JP6250198B2 (ja) 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
US10983485B2 (en) Method and control device for controlling a technical system
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
Barakat et al. Parameter selection algorithm with self adaptive growing neural network classifier for diagnosis issues
CN102279358A (zh) 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN113029559B (zh) 一种齿轮箱故障诊断方法及系统
CN116434777B (zh) 基于多级注意力和特征融合的变压器故障诊断方法及系统
CN111256965A (zh) 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
Feng et al. Finite-sensor fault-diagnosis simulation study of gas turbine engine using information entropy and deep belief networks
CN113705396A (zh) 一种电机故障诊断方法、系统及设备
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN116431966A (zh) 一种增量式特征解耦自编码器的堆芯温度异常检测方法
CN112287862A (zh) 基于小波卷积神经网络的故障诊断方法
Cheng et al. Control chart pattern recognition using wavelet analysis and neural networks
CN108548669B (zh) 一种工程装备传动系统故障诊断方法及系统
Kashyap et al. High speed receiver modeling using generative adversarial networks
CN115293210A (zh) 一种基于脑电波的指令预测输出控制方法

Legal Events

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