KR20170093613A

KR20170093613A - 베어링 고장 진단 방법

Info

Publication number: KR20170093613A
Application number: KR1020160015240A
Authority: KR
Inventors: 김종면; 김재영
Original assignee: 울산대학교 산학협력단
Priority date: 2016-02-05
Filing date: 2016-02-05
Publication date: 2017-08-16
Also published as: KR101823746B1

Abstract

본 발명은 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높이고, 적응적 상태 업데이트를 위해 정확한 k값을 적응적으로 설정하는 클러스터링 기술을 사용함으로써 고장 상태를 정확히 진단할 수 있도록 하는 베어링 고장 진단 방법에 관한 것이다. 본 발명은, 베어링 결함별 신호로부터 특징들을 추출하고, 기계학습 알고리즘에 학습시키는 A단계; 베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 기계학습 알고리즘에 의하여 미리 학습된 특징들과 비교 판단하여 현재 베어링 상태를 분류하는 B단계; 상기 베어링의 미지 신호로부터 추출된 특징들로부터 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 설정하고, 새로운 상태 정보가 검출되면 이를 상기 기계학습 알고리즘에 학습시키는 C단계를 포함한다.

Description

베어링 고장 진단 방법{Method for bearing fault diagnosis}

본 발명은 베어링 고장 진단 방법에 관한 것으로, 더욱 상세하게는 베어링의 고장 또는 결함을 조기에 검출 및 판단하여 기술적, 경제적 및 안전적인 피해를 최소화하기 위한 베어링 고장 진단 방법 에 관한 것이다.

베어링의 결함 검출에 있어, 실제 산업현장에서는 소음과 진동의 특성을 이용하여 비파괴검사에 이용함으로써 베어링부의 수명연장 등 유지 보전에 큰 도움을 주고 있다.

베어링 고장원인으로는 불충분한 윤활, 부적절한 윤활재의 사용, 베어링의 잘못된 설치, 축계의 과도한 변형 등이 있다. 과거에는 숙련된 기술자에 의하여 이러한 문제들을 진단하고 고장 여부를 판단하였으나, 대부분 진단시간이 길고, 주관적이며, 경우에 따라 기기 시스템의 작동을 중단해야 하는 단점을 지니고 있다. 최근에는 기기 시스템의 작동을 유지하면서, 베어링의 고장을 진단할 수 있는 시스템이 요구됨에 따라 지속적으로 베어링 작동 상태를 진단하여 고장 전에 미리 이상을 발견할 수 있는 형태의 기술로 발전되고 있다.

도 1은 종래기술에 따른 베어링 고장 진단 방법의 기본 원리를 설명하기 위한 도면이다.

도 1의 (a)는 베어링의 구조를, (b) 베어링 외륜 결함을, (c)는 베어링 내륜 결함을 나타냄으로, 이와 같이 고장이 발생할 수 있는 기계의 위치에 센서를 부착하여 신호를 취득하고, (d)에 도시된 바와 같이 취득된 신호로부터 특징들을 추출하고 상태 진단 영역에서 특징들의 패턴을 분석하여 고장을 진단할 수 있다.

한편, 신뢰성 있는 기계 고장 진단을 위해서는 입력 신호(진동, 전류, 전압, 음향 방출 등)로부터 포락 분석 이외에 결함 증상을 가장 잘 드러내는 주파수 대역을 선택하는 것이 중요하다.

이와 같은 종래기술에 따른 베어링 고장 진단 방법의 일예로서, k-means 알고리즘(이하, 클러스터링 알고리즘이라 함)이 사용되었다.

클러스터링 알고리즘은, 먼저 샘플들 중에서 k개의 샘플을 임의로 선택하여 중심점으로 설정하고(1단계), 각 클러스터의 중심점과 각 샘플 사이의 거리를 계산하여 거리가 더 짧은 클러스터로 샘플들을 분류하고(2단계), 분류된 각 클러스터의 샘플들의 평균값을 계산하여 중심점으로 재설정한 후(3단계), 중심점의 변화가 특정 임계치보다 낮아질 때까지 상기 1-3단계를 반복 수행한다(4단계).

그러나 베어링 고장 진단을 위하여 종래의 기계학습 알고리즘을 사용할 경우, 기계로부터 사전에 학습되지 않은 상태가 발생할 경우에는 해당 상태를 분류하지 못하며, 기계 상태 업데이트를 위해 기존 클러스터링 알고리즘을 사용하더라도 k값을 사용자가 직접 임의로 설정하여야 하기 때문에 k값을 잘못 선택할 경우에 성능 저하 및 판단 오류가 발생할 수 있는 문제점이 있었다.

대한민국 공개특허공보 제10-1998-069423호(1998년10월26일)

본 발명은 상술한 종래기술의 문제점을 극복하기 위한 것으로서, 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높이고, 적응적 상태 업데이트를 위해 정확한 k값을 적응적으로 설정하는 클러스터링 기술을 사용함으로써 고장 상태를 정확히 진단할 수 있도록 하는 베어링 고장 진단 방법을 제공하는 데에 그 목적이 있다.

상기 목적을 달성하기 위한 본 발명의 일 특징은, 베어링 결함별 신호로부터 특징들을 추출하고, 기계학습 알고리즘에 학습시키는 A단계; 베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 기계학습 알고리즘에 의하여 미리 학습된 특징들과 비교 판단하여 현재 베어링 상태를 분류하는 B단계; 상기 베어링의 미지 신호로부터 추출된 특징들로부터 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 설정하고, 새로운 상태 정보가 검출되면 이를 상기 기계학습 알고리즘에 학습시키는 C단계를 포함하는 베어링 고장 진단 방법을 제공한다.

상기 베어링 결함별 신호로부터 추출된 특징들과 상기 베어링의 미지 신호로부터 추출된 특징들이 동일한 것이 바람직하다.

상기 특징들은 제곱 평균 제곱근(Root-mean-square), 형상 계수(Shape factor), 첨도 값(Kurtosis value), 제곱 평균 루트(Square-mean-root), 피크 투 피크 값(Peak-to-peak value), 왜도 값(Skewness value), 임펄스 인자(Impulse factor) 및 파고율(Crest factor) 중 어느 하나의 신호 또는 둘 이상의 신호로부터 추출되는 특징들의 조합을 포함할 수 있다.

상기 기계학습 알고리즘은, 서포트 벡터 머신(Support vector machine), 인공 신경망(Artificial neural network) 또는 K-NN 분류(k-nearest neighbors classifier) 등 기계학습에 사용될 수 있는 알고리즘들 중 어느 하나가 사용되어, 미리 취득된 특징들을 학습하고 현재 특징 값을 특정 상태로 분류할 수 있다.

상기 C단계는, 클러스터링 알고리즘을 통해 샘플들을 k개의 클러스터로 분류하는 단계; 각 클러스터에 대해 평균값과 공분산을 계산하는 단계; 각 클러스터의 확률밀도 함수

를 구하는 단계; 각 클러스터에 대해 LDF(Local distribution factor)

를 계산하는 단계; 클러스터들의 LDF들 중 최소값을 구하여 GDF(Global density factor)를 계산하는 단계; GSF(Global separability factor)

를 계산하는 단계; 상기 GDF와 GSF의 차를 계산하여 CDF(Cluster distribution factor)를 계산하되, k값을 1부터 특정 값까지 변화하며 상기 CDF를 계산하여 CDF가 가장 작을 때의 k값을 최적의 k값으로 설정할 수 있다.

여기서 X는 샘플들, ∑는 공분산, d는 특징 수(차원 수), μ는 평균값이고, ICD_i,j(Inter cluster distance)는 i번째 클러스터와 j번째 클러스터 사이의 거리이다.

본 발명의 다른 특징은, 베어링 결함별 신호로부터 특징들을 추출하고, 클러스터링 알고리즘(k-mean 알고리즘)에 학습시키는 A단계; 베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 클러스터링 알고리즘에 의하여 현재 베어링 상태를 분류하는 B단계; 상기 베어링의 미지 신호로부터 추출된 특징들로부터 상기 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 다시 설정하고, 새로운 상태 정보가 검출되면 이를 상기 클러스터링 알고리즘에 학습시키는 C단계를 포함하는 베어링 고장 진단 방법을 제공할 수 있다.

상기와 같이 구성된 본 발명에 따른 베어링 고장 진단 방법에 의하면, 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높일 수 있고, 적응적 상태 업데이트를 위해 정확한 k값을 적응적으로 설정하는 클러스터링 기술을 사용함으로써 고장 상태를 정확히 진단할 수 있도록 하고, 성능 저하 및 판단 오류의 발생을 방지하는 효과가 있다.

도 1은 종래기술에 따른 베어링 고장 진단 방법을 설명하기 위한 도면,
도 2는 본 발명의 바람직한 일실시예에 따른 베어링 고장 진단 방법을 나타낸 제어 흐름도,
도 3은 본 발명의 클러스터 분포 분석 과정을 나타낸 그래프,
도 4 및 도 5는 k값 선택에 따른 클러스터 분포 상태를 비교하여 나타낸 그래프,
도 6은 본 발명의 다른 실시예에 따른 베어링 고장 진단 방법을 나타낸 제어 흐름도이다.

본 발명은 다양한 변형 및 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 2는 본 발명의 바람직한 일실시예에 따른 베어링 고장 진단 방법을 나타낸 제어 흐름도이고, 도 3은 본 발명의 클러스터 분포 분석 과정을 나타낸 그래프이다.

도시된 바와 같이 본 발명의 바람직한 실시예에 따른 베어링 고장 진단 방법은, 베어링 결함별 신호로부터 특징들을 추출하고, 기계학습 알고리즘에 학습시키는 A단계(S100~S120); 베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 기계학습 알고리즘에 의하여 미리 학습된 특징들과 비교 판단하여 현재 베어링 상태를 분류하는 단계B(S130~S150); 상기 베어링의 미지 신호로부터 추출된 특징들로부터 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 설정하고, 새로운 상태 정보가 검출되면 이를 상기 기계학습 알고리즘에 학습시키는 C단계(S160~S170)를 포함한다.

이와 같이 구성된 본 발명의 바람직한 실시예에 따른 베어링 고장 진단 방법의 작용을 더욱 상세히 설명하면 다음과 같다.

먼저, 베어링 결함별 신호로부터 특징들을 추출하고, 기계학습 알고리즘에 학습시킨다(S100~S120).

상기 베어링 결함별 신호는 베어링에 부착된 각종 센서로부터 취득되는 진동, 전류, 전압, 음향 방출 등의 신호를 포함할 수 있다.

다음으로, 결함별 분석신호에서 특징들을 추출하고 기계학습 알고리즘에 학습시킨다. 이때, 사전에 미리 취득한 결함별 분석신호로부터 각 결함들을 구분할 수 있는 특징들을 추출하고, 추출한 특징들을 상기 기계학습 알고리즘에 학습시킨다.

즉, 결함정보를 가진 입력신호로부터 결함정보의 특징들을 연산하여 추출한 뒤, 해당 결함정보의 클래스와 추출한 결함정보의 특징들로 구성된 특징벡터를 생성하여 이를 기계학습 알고리즘에 학습시키는 것이다.

이때, 상기 특징들은 제곱 평균 제곱근(Root-mean-square), 형상 계수(Shape factor), 첨도 값(Kurtosis value), 제곱 평균 루트(Square-mean-root), 피크 투 피크 값(Peak-to-peak value), 왜도 값(Skewness value), 임펄스 인자(Impulse factor) 및 파고율(Crest factor) 중 어느 하나의 신호 또는 둘 이상의 신호로부터 추출되는 특징들의 조합을 모두 포함한다.

또한, 상기 기계학습 알고리즘은 서포트 벡터 머신(Support vector machine), 인공 신경망(Artificial neural network) 또는 K-NN 분류기(k-nearest neighbors classifier)를 포함하는 기계학습에 사용될 수 있는 알고리즘들 중 어느 하나가 사용되어 미리 취득된 특징들을 학습하고 현재 특징 벡터를 특정 상태로 분류할 수 있다.

이후, 베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 기계학습 알고리즘에 의하여 미리 학습된 특징들과 비교 판단하여 현재 베어링 상태를 분류한다(S130~S150).

이때, 상기 베어링 결함별 신호로부터 추출된 특징들과 상기 베어링의 미지 신호로부터 추출된 특징들이 동일한 것이 바람직하다.

이후, 상기 베어링의 미지 신호로부터 추출된 특징들로부터 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 설정하고, 새로운 상태 정보가 검출되면 이를 상기 기계학습 알고리즘에 학습시킨다(S160~S170).

상기 클러스터링 알고리즘은, 전술한 바와 같이, 샘플들 중에서 k개의 샘플을 임의로 선택하여 중심점으로 설정하고(1단계), 각 클러스터의 중심점과 각 샘플 사이의 거리를 계산하여 거리가 더 짧은 클러스터로 샘플들을 분류하고(2단계), 분류된 각 클러스터의 샘플들의 평균값을 계산하여 중심점으로 재설정한 후(3단계), 중심점의 변화가 특정 임계치보다 낮아질 때까지 상기 1-3단계를 반복 수행한다(4단계).

이와 같은 상태에서 본 발명은 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 설정한다.

상기 클러스터 개수(k)를 설정하는 단계를 더욱 상세히 설명하면 다음과 같다.

먼저, 클러스터링 알고리즘을 통해 샘플들을 k개의 클러스터로 분류하고, 다음으로 각 클러스터에 대해 평균값과 공분산을 계산한다.

이후, 각 클러스터의 확률밀도 함수 ρ(X)를 다음의 수학식 1에 의하여 구한다.

[수학식 1]

여기서 X는 샘플들, ∑는 공분산, d는 특징 수(차원 수), μ는 평균값이다.

다음으로, 각 클러스터에 대해 LDF(Local distribution factor)를 다음의 수학식 2로 계산한다.

[수학식 2]

다음으로, 클러스터들의 LDF들 중 최소값을 구하여 GDF(Global density factor)를 계산한다.

[수학식 3]

다음으로 GSF(Global separability factor)을 다음의 수학식 4로 계산한다.

[수학식 4]

여기서, ICD_i,j ₍Inter cluster distance)는 i번째 클러스터와 j번째 클러스터 사이의 거리이다.

다음으로, 상기 GDF와 GSF의 차를 계산하여 CDF(Cluster distribution factor)를 계산한다.

[수학식 5]

따라서, 상기 k값을 1부터 특정 값까지 변화하며 상기 CDF를 계산하여 CDF가 가장 작을 때의 k값을 최적의 k값으로 설정한다.

도 3에 도시된 바와 같이, 본 발명의 베어링 고장 진단에서 클러스터 분포 분석의 효과를 살펴보면, (a)정상상태 클래스 k=1인 상태에서 외륜 결함이 발행하면, (b)외륜 결함에 의한 샘플들 즉, 학습되지 않은 클래스가 발생한다. 이때, 클러스터 분포 분석에 의하여 k값이 증가하여, (c)새로 학습된 외륜 결합 클래스가 생성된다. 이후, (d)k=2인 상태에서 내륜 결함이 발행하면, (e)내륜 결함에 의한 샘플들 즉, 학습되지 않은 클래스가 발생하고 이때, 클러스터 분포 분석에 의하여 k값이 3으로 증가하여, (f)새로 학습된 내륜 결합 클래스가 생성된다.

도면에서와같이 본 발명은 취득 신호의 특징벡터와 분석신호의 특징벡터들 사이의 유클리디안 거리를 계산하고, 취득 신호의 특징벡터와 거리가 가장 가까운 k개의 이웃한 벡터들 선택하여, 예로서 2개의 그룹(상태1, 상태2) 중 이웃한 백터들을 가장 많이 포함하고 있는 상태로 취득 신호의 특징벡터를 분류한다. 또한, k가 3인 경우에는 즉, 이웃하는 특징벡터의 수가 3개인 경우를 나타낼 경우, 취득 신호에 대한 특징벡터와 이웃하는 3개의 특징벡터가 전부 상태 1의 분석신호에 대한 특징벡터이므로, 취득한 취득 신호의 특징벡터는 상태 1로 분류할 수 있다.

도 4 및 도 5는 k값 선택에 따른 클러스터 분포 상태를 비교하여 나타낸 그래프이다.

도 4에 도시된 바와 같이, 종래기술은 베어링 기계로부터 사전에 학습되지 않은 상태가 발생할 경우 분류를 하지 못하는 문제점이 있다, 또한, 기계 상태 업데이트를 위해 기존 클러스터링 기술을 사용하더라도 k값을 사용자가 직접 설정하여야 하기 때문에 도 4의 (b)와 같이 클러스터가 3개인데, k값을 2로 잘못 선택할 경우에 성능 저하가 발생하게 된다.

본 발명은 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높이고, 적응적 상태 업데이트를 위해 k값을 적응적으로 설정하는 클러스터링 기술을 사용한다.

도 5의 a, b에 도시된 바와 같이, 종래의 클러스터링 결과(a)와 각클러스터의 분포도(b)를 나타낸 것으로, 클러스터의 개수가 실제로는 4이지만 k값이 3으로 추정되어 클러스터링이 제대로 수행되지 않음을 나타낸 것이다.

반면에, 도 5의 c, d에 도시된 바와 같이, 본 발명의 클러스터링 결과(c)와 각클러스터의 분포도(d)를 나타낸 것으로, 클러스터의 실제 개수와 k값이 동일한 4로 추정되어 클러스터링이 제대로 수행된 것을 나타낸 것이다.

따라서, 본 발명은 사전에 학습되지 않은 새로운 상태가 추가되어도 적응적으로 재학습하여 진단 성능을 높일 수 있고, 적응적 상태 업데이트를 위해 정확한 k값을 적응적으로 설정하는 클러스터링 기술을 사용함으로써 고장 상태를 정확히 진단할 수 있도록 하고, 성능 저하 및 판단 오류의 발생을 방지하는 효과가 있게 된다.

도 6은 본 발명의 다른 실시예에 따른 베어링 고장 진단 방법을 나타낸 제어 흐름도이다.

도시된 바와 같이, 본 발명의 다른 특징은, 베어링 결함별 신호로부터 특징들을 추출하고, 클러스터링 알고리즘(k-mean 알고리즘)에 학습시키는 A단계; 베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 클러스터링 알고리즘에 의하여 현재 베어링 상태를 분류하는 B단계; 상기 베어링의 미지 신호로부터 추출된 특징들로부터 상기 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 다시 설정하고, 새로운 상태 정보가 검출되면 이를 상기 클러스터링 알고리즘에 학습시키는 C단계를 포함하는 베어링 고장 진단 방법을 제공할 수 있다.

상기한 본 발명의 다른 특징은, 기계학습 알고리즘에 클러스터링 알고리즘을 직접 적용함으로써 구성을 단순화하여 고장 상태를 신속 정확히 진단할 수 있도록 하고, 성능 저하 및 판단 오류의 발생을 방지하는 효과를 거둘 수도 있다.

본 명세서에 기재된 본 발명의 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 관한 것이고, 발명의 기술적 사상을 모두 포괄하는 것은 아니므로, 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다. 따라서 본 발명은 상술한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 권리범위 내에 있게 된다.

Claims

베어링 결함별 신호로부터 특징들을 추출하고, 기계학습 알고리즘에 학습시키는 A단계;
베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 기계학습 알고리즘에 의하여 미리 학습된 특징들과 비교 판단하여 현재 베어링 상태를 분류하는 B단계;
상기 베어링의 미지 신호로부터 추출된 특징들로부터 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 설정하고, 새로운 상태 정보가 검출되면 이를 상기 기계학습 알고리즘에 학습시키는 C단계를 포함하는 베어링 고장 진단 방법.
제1항에 있어서,
상기 베어링 결함별 신호로부터 추출된 특징들과 상기 베어링의 미지 신호로부터 추출된 특징들이 동일한 것을 특징으로 하는 베어링 고장 진단 방법.
제1항에 있어서,
상기 특징들은 제곱 평균 제곱근(Root-mean-square), 형상 계수(Shape factor), 첨도 값(Kurtosis value), 제곱 평균 루트(Square-mean-root), 피크 투 피크 값(Peak-to-peak value), 왜도 값(Skewness value), 임펄스 인자(Impulse factor) 및 파고율(Crest factor) 중 어느 하나의 신호 또는 둘 이상의 신호로부터 추출되는 특징들의 조합을 포함하는 것을 특징으로 하는 베어링 고장 진단 방법.
제1항에 있어서,
상기 기계학습 알고리즘은
서포트 벡터 머신(Support vector machine), 인공 신경망(Artificial neural network) 또는 K-NN 분류(k-nearest neighbors classifier) 방식을 포함하는 기계학습에 사용될 수 있는 알고리즘들 중 어느 하나가 사용되어, 미리 취득된 특징들을 학습하고 현재 특징값을 특정 상태로 분류하는 것을 특징으로 하는 베어링 고장 진단 방법.
제1항에 있어서,
상기 C단계는
클러스터링 알고리즘을 통해 샘플들을 k개의 클러스터로 분류하는 단계;
각 클러스터에 대해 평균값과 공분산을 계산하는 단계;
각 클러스터의 확률밀도 함수
를 구하는 단계;
각 클러스터에 대해 LDF(Local distribution factor)
를 계산하는 단계;
클러스터들의 LDF들 중 최소값을 구하여 GDF(Global density factor)를 계산하는 단계;
GSF(Global separability factor)

를 계산하는 단계;
상기 GDF와 GSF의 차를 계산하여 CDF(Cluster distribution factor)를 계산하되,
k값을 1부터 특정 값까지 변화하며 상기 CDF를 계산하여 CDF가 가장 작을 때의 k값을 최적의 k값으로 설정하는 것을 특징으로 하는 베어링 고장 진단 방법.

여기서 X는 샘플들, ∑는 공분산, d는 특징 수(차원 수), μ는 평균값이고,
ICD_i,j ₍Inter cluster distance)는 i번째 클러스터와 j번째 클러스터 사이의 거리이다.
베어링 결함별 신호로부터 특징들을 추출하고, 클러스터링 알고리즘(k-mean 알고리즘)에 학습시키는 A단계;
베어링의 미지(unknown) 신호로부터 특징들을 추출하고, 상기 클러스터링 알고리즘에 의하여 현재 베어링 상태를 분류하는 B단계;
상기 베어링의 미지 신호로부터 추출된 특징들로부터 상기 클러스터링 알고리즘과 클러스터 분포도 분석을 통해 클러스터 개수(k)를 다시 설정하고, 새로운 상태 정보가 검출되면 이를 상기 클러스터링 알고리즘에 학습시키는 C단계를 포함하는 베어링 고장 진단 방법.