KR102481497B1 - 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치 - Google Patents

합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치 Download PDF

Info

Publication number
KR102481497B1
KR102481497B1 KR1020200178670A KR20200178670A KR102481497B1 KR 102481497 B1 KR102481497 B1 KR 102481497B1 KR 1020200178670 A KR1020200178670 A KR 1020200178670A KR 20200178670 A KR20200178670 A KR 20200178670A KR 102481497 B1 KR102481497 B1 KR 102481497B1
Authority
KR
South Korea
Prior art keywords
neural network
defect detection
vibration data
machine
convolutional neural
Prior art date
Application number
KR1020200178670A
Other languages
English (en)
Other versions
KR20220088040A (ko
KR102481497B9 (ko
Inventor
이수원
류광현
Original Assignee
숭실대학교 산학협력단
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 숭실대학교 산학협력단 filed Critical 숭실대학교 산학협력단
Priority to KR1020200178670A priority Critical patent/KR102481497B1/ko
Priority to PCT/KR2021/003071 priority patent/WO2022131448A1/ko
Publication of KR20220088040A publication Critical patent/KR20220088040A/ko
Application granted granted Critical
Publication of KR102481497B1 publication Critical patent/KR102481497B1/ko
Publication of KR102481497B9 publication Critical patent/KR102481497B9/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
    • G05B23/0218—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
    • 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
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

합성곱 신경망 모델을 이용한 기계 결함 감지 방법은, 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 단계; 상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 단계; 전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 단계; 상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 단계; 및 상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 단계;를 포함한다. 이에 따라, 별도의 주파수 변환 과정 없이 베어링에서 발생하는 진동 주파수로부터 기계 결함의 감지 성능을 향상시킬 수 있다.

Description

합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치{METHOD FOR DETECTING MACHINE FAILURE USING A CONVOLUTIONAL NEURAL NETWORK MODEL, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD}
본 발명은 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 통계적 파라미터를 이용하여 도메인 지식 없이도 기계의 결함을 감지할 수 있는 합성곱 신경망 기반의 기계 결함 감지모델에 관한 것이다.
최근 스마트 팩토리(Smart factory)에 인공지능을 적용하기 위한 다양한 연구가 수행되고 있다. 대표적인 연구 중 하나는 인공지능을 활용한 기계 예지보전에 관한 것으로, 기계에 결함이 발생하여 장기간 기계 구동 불가로 인해 큰 비용손실이 발생하는 것을 막기 위해 인공지능을 활용하여 기계의 상태를 분석하는 연구이다.
기계 고장은 주로 회전자, 고정자, 베어링 등의 부품 결함으로 인해 발생한다. 이 중 베어링의 결함으로 인해 기계의 고장이 발생하는 경우가 가장 많다. 베어링에 결함이 발생한 경우, 장기간 기계 구동을 불가하게 하여 큰 비용 손실이 발생하게 된다. 베어링에 결함이 발생한 경우, 일반적으로 기계 진동에서 두드러진 특징을 보여, 진동 데이터를 이용하여 베어링 결함을 감지하는 연구가 수행되어 왔다.
종래 기술 중 일부는 진동 데이터로부터 주파수 영역의 특징인 BFDF(Bearing Fundamental Defect Frequency)를 추출하고 PCA(Principal Component Analysis)를 활용하여 베어링의 결함을 감지하는 모델을 제안하였다.
다른 종래 기술에서는 CWRU(Case Western Reserve University) Bearing dataset에 포함된 진동 데이터에 FFT를 통해, 주파수 영역의 특징을 추출하고, 기계학습 모델인 Autoencoder를 활용하여 베어링의 결함을 감지하는 모델을 제안하였다.
또 다른 종래 기술에서는 IMS(Intelligent Maintenance System) Bearing Dataset에 포함된 진동 데이터로부터 EMD(Empirical Mode Decomposition)를 통해 결함 데이터의 특징을 파악한 후, 인공 신경망을 활용하여 베어링의 결함을 감지하는 모델을 제안하였다.
기존의 베어링 결함 감지 모델은 주로 SbM(Signal processing-based Method)을 기반으로 베어링의 결함을 감지한다. 진동 데이터에 FFT(Fast Fourier Transform)나 Wavelet Transform 등의 주파수 변환을 통해 주파수 데이터로 변환한 후, 특징 추출 및 특징 선택을 통해 베어링 결함을 감지한다.
하지만 특징을 파악하는 과정에서 도메인에 대한 선행지식이 필수적이라는 문제점이 있다.
KR 10-2020-0061968 A1 KR 10-1889049 B1 JP 2016-173782 A
Jinyang Jiao, Ming Zhao, Jing Jin, Kaixuan Liang ; "A Comprehensive review on convolutional neural network in machine fault diagnosis", arXiv preprint arXiv:2002.07605 (2020). Ian Howard, "A Review of Rolling Element Bearing Vibration Detection, Diagnosis and Prognosis", Defense Science and Technology Organization, 1995.
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 합성곱 신경망 모델을 이용한 기계 결함 감지 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 합성곱 신경망 모델을 이용한 기계 결함 감지 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 합성곱 신경망 모델을 이용한 기계 결함 감지 방법을 수행하기 위한 장치를 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법은, 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 단계; 상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 단계; 전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 단계; 상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 단계; 및 상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 단계;를 포함한다.
본 발명의 실시예에서, 상기 통계적 파라미터들은, Peak, RMS(Root-Mean Square), Crest factor 및 kurtosis를 포함할 수 있다.
본 발명의 실시예에서, 상기 합성곱 신경망 기반의 기계 결함 감지 모델은, 1D CNN(1D Convolution Neural Network)으로 구성될 수 있다.
본 발명의 실시예에서, 상기 전처리를 수행하는 단계는, 진동 데이터로부터 균등한 간격으로 샘플링을 수행하는 단계; 샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성하는 단계; 및 생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행하는 단계;를 포함할 수 있다.
본 발명의 실시예에서, 상기 다차원의 벡터는 260차원의 벡터일 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 상기 합성곱 신경망 모델을 이용한 기계 결함 감지 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 장치는, 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 전처리부; 상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 파라미터 계산부; 전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 벡터 생성부; 상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 기계 학습부; 및 상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 결함 감지부;를 포함한다.
본 발명의 실시예에서, 상기 통계적 파라미터들은, Peak, RMS(Root-Mean Square), Crest factor 및 kurtosis를 포함할 수 있다.
본 발명의 실시예에서, 상기 합성곱 신경망 기반의 기계 결함 감지 모델은, 1D CNN(1D Convolution Neural Network)으로 구성될 수 있다.
본 발명의 실시예에서, 상기 전처리부는, 진동 데이터로부터 균등한 간격으로 샘플링을 수행하는 샘플링부; 샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성하는 윈도우 생성부; 및 생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행하는 윈도우 이동부;를 포함할 수 있다.
본 발명의 실시예에서, 상기 다차원의 벡터는 260차원의 벡터일 수 있다.
이와 같은 합성곱 신경망 모델을 이용한 기계 결함 감지 방법에 따르면, 베어링 진동 데이터와 진동 데이터로부터 계산된 Peak, RMS, Crest factor, kurtosis 등의 통계적 파라미터를 이용하여 도메인 지식 없이도 기계의 결함을 감지할 수 있다. 이에 따라, 본 발명에서 제안한 기계 결함 감지 모델은 기존 모델에 비해 더 높은 성능을 제공하고, 기계 분야에서 제조 비용 절감, 제조시간 단축, 불량률 개선 등에 도움을 줄 수 있다.
도 1은 본 발명에서 제안하는 기계 결함 감지를 위한 1D CNN 모델의 구조를 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 장치의 블록도이다.
도 3은 도 2의 전처리부에 대한 블록도이다.
도 4는 본 발명과 종래기술의 IMS 진동 데이터에 대한 모델 별 결함 감지 결과를 보여주는 도면이다.
도 5는 본 발명과 종래기술의 모델 별 베어링 결함 감지 결과에 따른 Precision, Recall, F1-score를 비교한 그래프이다.
도 6은 본 발명의 일 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법의 흐름도이다.
도 7은 도 6의 전처리 단계에 대한 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명에서 제안하는 기계 결함 감지를 위한 1D CNN 모델의 구조를 보여주는 도면이다. 도 2는 본 발명의 일 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 장치의 블록도이다.
본 발명에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 장치(10, 이하 장치)는 통계 및 기계학습에 기반을 둔 DDM(Data-Driven Method)을 통해, 별도의 주파수 변환 과정없이 베어링에서 발생하는 진동 데이터와 진동 데이터로부터 계산된 Peak, RMS(Root-Mean Square), Crest factor, kurtosis 등의 통계적 파라미터를 이용하여 베어링의 결함을 감지하는 합성곱 신경망 기반의 베어링 결함 감지 모델을 제안한다.
도 1을 참조하면, 본 발명의 제안 모델은 데이터로부터 스스로 특징을 추출하는 Convolution Neural Network의 장점을 이용하며, 결함을 감지하기 위한 모델로 1D CNN(1D Convolution Neural Network)을 사용한다.
도 2를 참조하면, 본 발명에 따른 장치(10)는 전처리부(100), 파라미터 계산부(300), 벡터 생성부(500), 기계 학습부(700) 및 결함 감지부(700)를 포함한다.
본 발명의 상기 장치(10)는 합성곱 신경망 모델을 이용한 기계 결함 감지를 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 전처리부(100), 상기 파라미터 계산부(300), 상기 벡터 생성부(500), 상기 기계 학습부(700) 및 상기 결함 감지부(700)의 구성은 상기 장치(10)에서 실행되는 상기 합성곱 신경망 모델을 이용한 기계 결함 감지를 수행하기 위한 소프트웨어에 의해 제어될 수 있다.
상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 상기 전처리부(100), 상기 파라미터 계산부(300), 상기 벡터 생성부(500), 상기 기계 학습부(700) 및 상기 결함 감지부(700)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.
상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.
상기 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.
상기 전처리부(100)는 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행한다.
본 발명에서 사용한 데이터셋은 IMS Bearing Dataset이다. 2000rpm의 고정된 회전 속도와 6000lbs의 방사상 하중이 축에 가해지는 상태에서, 베어링에 결함이 발생하는 순간까지 실험이 진행되었다. 총 3개의 데이터셋이 포함되어 있으며, 하나의 데이터셋당 4개의 베어링에서 측정한 진동 데이터가 기록되어 있다. 해당 데이터셋에 포함된 총 데이터 수는 775,007,276개이다. 아래의 표 1은 IMS Bearing Dataset 데이터 수를 나타낸다.
[표 1]
Figure 112020138180298-pat00001
상기 전처리부(100)는 모델의 학습 시간을 줄이기 위해 예를 들어, 100개의 데이터마다 1개의 데이터를 선택하여, 균등하게 샘플링을 수행한다. 샘플링을 수행한 이후 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 예를 들어 256개의 데이터를 묶어 하나의 윈도우(window)를 생성한다. 데이터 포인트를 하나씩 증가시켜가며, 윈도우를 이동하는 시계열 전처리를 수행한다.
도 3을 참조하면, 상기 전처리부(100)는 샘플링부(110), 윈도우 생성부(130) 및 윈도우 이동부(150)를 포함한다.
상기 샘플링부(110)는 진동 데이터로부터 균등한 간격으로 샘플링을 수행한다. 상기 윈도우 생성부(130)는 샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성한다. 상기 윈도우 이동부(150)는 생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행한다.
상기 파라미터 계산부(300)는 상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산한다.
진동 데이터로부터 계산된 시계열 기반의 통계적 파라미터들은 진동의 특성을 나타내는 parameter이다. 베어링에 결함이 발생한 경우, 통계적 파라미터들의 값이 증가하는 특징을 가지고 있다.
본 발명에서는 peak, RMS, crest factor, kurtosis 4개의 통계적 파라미터들(Vibration Statistical parameters)를 이용한다. 각 지표를 계산하기 위한 식은 아래의 수학식 1 내지 4와 같다.
[수학식 1]
Figure 112020138180298-pat00002
[수학식 2]
Figure 112020138180298-pat00003
[수학식 3]
Figure 112020138180298-pat00004
[수학식 4]
Figure 112020138180298-pat00005
Figure 112020138180298-pat00006
는 데이터 전처리 과정에서 생성한 t번째 Window
Figure 112020138180298-pat00007
를 이용하여 계산한 통계적 파라미터 값이다. 수학식 2에서
Figure 112020138180298-pat00008
은
Figure 112020138180298-pat00009
의 길이를 뜻하고,
Figure 112020138180298-pat00010
는
Figure 112020138180298-pat00011
에 속한 i번째 데이터이며,
Figure 112020138180298-pat00012
는
Figure 112020138180298-pat00013
의 평균을 뜻한다.
상기 벡터 생성부(500)는 전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성한다.
4개의 통계적 파라미터들을 계산한 이후,
Figure 112020138180298-pat00014
에 4개의 파라미터들을 더해 다차원 차원(예를 들어, 260 차원)의 벡터를 생성하여 기계 결함 감지 모델의 입력으로 사용한다.
상기 기계 학습부(700)는 상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출한다. 상기 결함 감지부(700)는 상기 기계 결함 감지 모델을 통해 베어링 결함을 감지한다.
본 발명에서는 별도의 주파수 변환 과정 없이 베어링에서 발생하는 진동 데이터와 진동 데이터로부터 계산된 통계적 파라미터들(Vibration Statistical parameters)을 이용해 베어링의 결함을 감지하기 위한 모델로 1D CNN을 활용한다.
1D CNN 모델은 일반적으로 이미지나 비디오 데이터에 주로 사용되는 2D CNN의 개량된 모델이다. 1D CNN은 모델 학습과정에서 단순한 배열 연산만을 필요로 하므로 모델 연산의 복잡도가 높지 않은 특징을 가지고 있으며, 여러 분야의 연구에서 뛰어난 성능을 보이고 있다. 도 1은 본 발명에서 제안하는 1D CNN 모델의 구조이다.
이하에서는, 베어링에서 발생하는 진동 데이터를 이용한 결함 감지 모델의 성능 평가를 위해 12-fold Cross-Validation을 통해 실험을 진행하였다.
IMS 베어링 데이터셋(Bearing Dataset)에 포함된 총 12개의 베어링 중 하나의 베어링을 테스트 베어링(Test Bearing)으로 선정한 이후, 테스트 베어링을 제외한 나머지 11개의 베어링을 이용하여 학습 데이터셋(Training Dataset)을 생성하였다. 또한, 학습 데이터셋에서 무작위 샘플링을 통해, 진동 데이터셋(Validation Dataset)을 생성하였다. 진동 데이터셋의 길이는 학습 데이터셋의 길이의 5%가 되도록 설정하였다.
또한, 결함 감지 모델이 테스트 베어링의 진동 데이터에 대해 처음으로 '결함 상태'로 감지한 윈도우(Window)부터 해당 테스트 베어링의 마지막 윈도우까지 결함 상태로 감지하도록 후처리를 수행하였다.
이하에서는, 본 발명에서 제안한 합성곱 신경망 기반의 기계 결함 감지 모델의 성능을 평가하기 위해 기존 모델과의 비교 실험 결과를 설명한다.
'Threshold' 모델은, 진동 데이터가 특정 임계(Threshold) 값을 넘어가는 경우를 결함으로 감지하는 모델이다. 'Statistical parameter' 모델은 peak, RMS, Crest factor, kurtosis와 같은 진동 시계열 통계적 파라미터(Statistical parameter)에서 '정상 상태'의 지표 값과, '결함상태'의 지표 값을 비교하여 결함을 감지하는 모델이다.
'Logistic Regression' 모델은 Logistic function에 기반을 둔 통계학적 모델로 Scikit-learn library를 이용하여 모델을 생성하였고, 진동 데이터만 이용한 경우(Logistic Regression-1)와, 통계적 파라미터(Statistical parameter)를 이용한 경우(Logistic Regression-2)로 구분하여 실험을 진행하였다.
본 발명에서 제안한 1D CNN 모델은 Tensorflow Package를 이용하여 생성하였으며, 컨벌루션 층 필터(Convolution layer filter) 수와 같은 1D CNN 모델의 파라미터는 Validation set에 대한 Grid Search를 통해 설정하였다.
아래의 표 2와 표 3은 각각 첫번째 컨벌루션 층 필터 수에 따른 Validation Accuracy, 두번째 컨벌루션 층 필터 수에 따른 Validation Accuracy를 나타낸다.
[표 2]
Figure 112020138180298-pat00015
[표 3]
Figure 112020138180298-pat00016
Grid Search를 통해 얻어진 1D CNN 모델의 최적 파라미터(Optimal Parameter)는 아래의 표 4와 같다.
[표 4]
Figure 112020138180298-pat00017
도 4는 IMS 베어링 데이터셋(Bearing Dataset)에 포함된 일부 베어링의 진동 그래프 및 진동 데이터에 대한 모델 별 결함 감지 결과를 나타낸 것이다.
도 4의 베어링의 진동 그래프에서 녹색으로 표시된 부분은 정상으로 레이블한 진동 데이터이고, 적색으로 표시된 부분은 결함으로 레이블한 데이터이다. 모델의 결함 감지 결과는 정상 상태로 감지한 경우 0의 값을 가지는 파란색 선으로, 결함 상태로 감지한 경우, 1의 값을 가지는 보라색 선으로 나타내었다.
도 5는 본 발명의 제안 모델과 기존 모델들의 베어링 결함 감지 결과에 따른 Precision, Recall, F1-score를 비교한 그래프이다.
도 5를 참조하면, Threshold 모델, Statistical parameter 모델, Logistic regression-2 모델은 정상 상태인 데이터를 결함 상태로 오분류하여 낮은 F1-score 값을 보였다. Logistic Regression-1 모델은 F1-score 값은 높지만, 결함 상태를 감지하지 못한다는 문제가 있었다.
도 4 및 도 5에서 확인할 수 있듯이 본 발명에서 제안한 모델의 F-measure가 기존 모델들에 비해 더 우수한 것으로 평가되었다.
본 발명에서는, 베어링에서 발생하는 진동을 이용하여 베어링의 결함을 감지하는 합성곱 신경망 기반의 결함감지 모델을 제안하였다. IMS 베어링 데이터 셋에 대해 결함 감지 성능을 평가한 결과 1D CNN 모델이 기존 모델들보다 0.09% 우수한 결과를 보였다.
도 6은 본 발명의 일 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법의 흐름도이다.
본 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법은, 도 1의 모델 및 도 2의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 모델 및 도 2의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다.
또한, 본 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법은 합성곱 신경망 모델을 이용한 기계 결함 감지를 수행하기 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.
본 발명에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법은, 통계 및 기계학습에 기반을 둔 DDM(Data-Driven Method)을 통해, 별도의 주파수 변환 과정없이 베어링에서 발생하는 진동 데이터와 진동 데이터로부터 계산된 Peak, RMS(Root-Mean Square), Crest factor, kurtosis 등의 통계적 파라미터를 이용하여 베어링의 결함을 감지하는 합성곱 신경망 기반의 베어링 결함 감지 모델을 제안한다.
본 발명의 제안 모델은 데이터로부터 스스로 특징을 추출하는 Convolution Neural Network의 장점을 이용하며, 결함을 감지하기 위한 모델로 1D CNN(1D Convolution Neural Network)을 사용한다.
도 6을 참조하면, 본 실시예에 따른 합성곱 신경망 모델을 이용한 기계 결함 감지 방법은, 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행한다(단계 S10).
도 7을 참조하면, 전처리 단계는, 먼저 진동 데이터로부터 균등한 간격으로 샘플링을 수행한다(단계 S11). 이후, 샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성한다(단계 S12). 생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행한다(단계 S13).
예를 들어, 모델의 학습 시간을 줄이기 위해 100개의 데이터마다 1개의 데이터를 선택하여, 균등하게 샘플링을 수행할 수 있다. 샘플링을 수행한 이후 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 예를 들어 256개의 데이터를 묶어 하나의 윈도우(window)를 생성할 수 있다. 데이터 포인트를 하나씩 증가시켜가며, 윈도우를 이동하는 시계열 전처리를 수행할 수 있다.
상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산한다(단계 S20).
상기 통계적 파라미터들은, 진동의 특성을 나타내는 Peak, RMS(Root-Mean Square), Crest factor 및 kurtosis를 포함할 수 있다. 베어링에 결함이 발생한 경우, 통계적 파라미터들의 값이 증가하는 특징을 가지고 있다.
전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성한다(단계 S30).
4개의 통계적 파라미터들을 계산한 이후,
Figure 112020138180298-pat00018
에 4개의 파라미터들을 더해 다차원 차원(예를 들어, 260 차원)의 벡터를 생성하여 기계 결함 감지 모델의 입력으로 사용한다.
상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출한다(단계 S40). 상기 기계 결함 감지 모델을 통해 베어링 결함을 감지한다(단계 S50).
본 발명에서는 별도의 주파수 변환 과정 없이 베어링에서 발생하는 진동 데이터와 진동 데이터로부터 계산된 통계적 파라미터들(Vibration Statistical parameters)을 이용해 베어링의 결함을 감지하기 위한 모델로 1D CNN을 활용한다.
1D CNN 모델은 일반적으로 이미지나 비디오 데이터에 주로 사용되는 2D CNN의 개량된 모델이다. 1D CNN은 모델 학습과정에서 단순한 배열 연산만을 필요로 하므로 모델 연산의 복잡도가 높지 않은 특징을 가지고 있으며, 여러 분야의 연구에서 뛰어난 성능을 보이고 있다.
이와 같은 합성곱 신경망 모델을 이용한 기계 결함 감지 방법에 따르면, 베어링 진동 데이터와 진동 데이터로부터 계산된 Peak, RMS, Crest factor, kurtosis 등의 통계적 파라미터를 이용하여 도메인 지식 없이도 기계의 결함을 감지할 수 있다. 이에 따라, 본 발명에서 제안한 기계 결함 감지 모델은 기존 모델에 비해 더 높은 성능을 제공하고, 기계 분야에서 제조 비용 절감, 제조시간 단축, 불량률 개선 등에 도움을 줄 수 있다.
이와 같은, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명은 베어링에서 발생하는 진동을 이용하여 베어링의 결함을 감지하는 합성곱 신경망 기반의 결함감지 모델을 제안하므로, 최근 활발히 연구되고 있는 스마트 팩토리(Smart factory)의 인공지능을 적용하는데 유용하게 활용될 수 있을 것으로 기대된다.
10: 합성곱 신경망 모델을 이용한 기계 결함 감지 장치
100: 전처리부
300: 파라미터 계산부
500: 벡터 생성부
700: 기계 학습부
900: 결함 감지부
110: 샘플링부
130: 윈도우 생성부
150: 윈도우 이동부

Claims (11)

  1. 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 단계;
    상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 단계;
    전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 단계;
    상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 단계; 및
    상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 단계;를 포함하되
    상기 전처리를 수행하는 단계는,
    진동 데이터로부터 균등한 간격으로 샘플링을 수행하는 단계;
    샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성하는 단계; 및
    생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행하는 단계;를 포함하고,
    상기 다차원의 벡터를 생성하는 단계는,
    t번째 윈도우인 x(t)를 이용하여 계산한 통계적 파라미터 값인 Peak(t), RMS(Root-Mean Square)(t), Crest factor(t) 및 kurtosis(t)를 상기 x(t) 에 더하여 상기 다차원의 벡터를 생성하는 것이고,
    상기 합성곱 신경망 기반의 기계 결함 감지 모델은,
    별도의 주파수 변환 과정 없이 베어링에서 발생하는 진동 데이터와 상기 진동 데이터로부터 계산된 통계적 파라미터 값들을 이용해 베어링의 결함을 감지하기 위한 모델로서, 1D CNN(1D Convolution Neural Network)으로 구성되는, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 다차원의 벡터는 260차원의 벡터인, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법.
  6. 제1항에 따른 상기 합성곱 신경망 모델을 이용한 기계 결함 감지 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 저장 매체.
  7. 기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 전처리부;
    상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 파라미터 계산부;
    전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 벡터 생성부;
    상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 기계 학습부; 및
    상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 결함 감지부;를 포함하되,
    상기 통계적 파라미터들은, Peak, RMS(Root-Mean Square), Crest factor 및 kurtosis를 포함하되
    상기 전처리부는,
    진동 데이터로부터 균등한 간격으로 샘플링을 수행하는 샘플링부;
    샘플링된 진동데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성하는 윈도우 생성부; 및
    생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행하는 윈도우 이동부;을 포함하고,
    상기 벡터 생성부는,
    t번째 윈도우인 x(t)를 이용하여 계산한 통계적 파라미터 값인 Peak(t), RMS(Root-Mean Square)(t), Crest factor(t) 및 kurtosis(t)를 상기 x(t) 에 더하여 상기 다차원의 벡터를 생성하는 것이고,
    상기 합성곱 신경망 기반의 기계 결함 감지 모델은,
    별도의 주파수 변환 과정 없이 베어링에서 발생하는 진동 데이터와 상기 진동 데이터로부터 계산된 통계적 파라미터 값들을 이용해 베어링의 결함을 감지하기 위한 모델로서, 1D CNN(1D Convolution Neural Network)으로 구성되는 합성곱 신경망 모델을 이용한 기계 결함 감지 장치.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 제7항에 있어서,
    상기 다차원의 벡터는 260차원의 벡터인, 합성곱 신경망 모델을 이용한 기계 결함 감지 장치.
KR1020200178670A 2020-12-18 2020-12-18 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치 KR102481497B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200178670A KR102481497B1 (ko) 2020-12-18 2020-12-18 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치
PCT/KR2021/003071 WO2022131448A1 (ko) 2020-12-18 2021-03-12 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200178670A KR102481497B1 (ko) 2020-12-18 2020-12-18 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치

Publications (3)

Publication Number Publication Date
KR20220088040A KR20220088040A (ko) 2022-06-27
KR102481497B1 true KR102481497B1 (ko) 2022-12-23
KR102481497B9 KR102481497B9 (ko) 2024-02-08

Family

ID=82057694

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200178670A KR102481497B1 (ko) 2020-12-18 2020-12-18 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치

Country Status (2)

Country Link
KR (1) KR102481497B1 (ko)
WO (1) WO2022131448A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6573846B2 (ja) * 2016-06-01 2019-09-11 株式会社神戸製鋼所 回転機械の運転状態を診断する診断装置及び診断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990053534A (ko) * 1997-12-24 1999-07-15 전주범 음성 신호의 특징 벡터 추출 방법
JP2016173782A (ja) 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム
KR101889049B1 (ko) 2017-08-11 2018-08-21 (주)다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
KR102415220B1 (ko) 2018-11-26 2022-07-01 한국전자통신연구원 시계열 데이터 처리 장치 및 이의 동작 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6573846B2 (ja) * 2016-06-01 2019-09-11 株式会社神戸製鋼所 回転機械の運転状態を診断する診断装置及び診断方法

Also Published As

Publication number Publication date
KR20220088040A (ko) 2022-06-27
WO2022131448A1 (ko) 2022-06-23
KR102481497B9 (ko) 2024-02-08

Similar Documents

Publication Publication Date Title
CN106127249B (zh) 一种心电数据中的异常子序列的在线检测方法
CN111307438B (zh) 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN106997316B (zh) 内存异常增长的检测系统及方法
CN112633098B (zh) 一种旋转机械故障诊断方法、系统及存储介质
US10621141B2 (en) Multivariate memory vectorization technique to facilitate intelligent caching in time-series databases
CN113048043A (zh) 柱塞泵参数阈值设置方法、装置、电子设备和存储介质
CN110858072B (zh) 设备运行状态的确定方法及装置
CN111831852A (zh) 一种视频检索方法、装置、设备及存储介质
CN115495274B (zh) 基于时序数据的异常处理方法、网络设备和可读存储介质
Si et al. Intelligent fault diagnosis for industrial big data
CN110334562B (zh) 轴承振动运行状态预测模型训练方法及预测方法、装置
Yadav et al. Bearing Fault Detection Using Logarithmic Wavelet Packet Transform and Support Vector Machine.
CN116502164A (zh) 基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质
KR102481497B1 (ko) 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치
Yu et al. Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN
Gu et al. A Denoising Autoencoder‐Based Bearing Fault Diagnosis System for Time‐Domain Vibration Signals
Yang et al. Acoustic Diagnosis of Rolling Bearings Fault of CR400 EMU Traction Motor Based on XWT and GoogleNet
CN116820821A (zh) 磁盘故障检测方法、装置、电子设备及计算机可读存储介质
CN112526959A (zh) 一种抽油泵故障诊断方法、装置、设备及存储介质
Boukra et al. Identifying new prognostic features for remaining useful life prediction
Zhou et al. Health assessment for rolling bearing based on local characteristic-scale decomposition—Approximate entropy and manifold distance
CN110631810B (zh) 风力发电机组振动异常的检测方法和设备及风力发电机组
He et al. Nonlinear methods for rolling bearing fault diagnosis
CN114169415B (zh) 一种系统故障模式识别的方法和系统
Tran et al. Diagnosing Electric Motor Faults based on Vibration Signals Using YOLOv8

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]
G170 Re-publication after modification of scope of protection [patent]