초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근 자동화 기술과 4차 산업혁명의 핵심기술인 인공지능 기술의 발전으로 산업현장에서의 공정 기계들은 단순한 공정을 반복하는 것만 아니라 고도의 제어 기술을 필요로 하는 작업까지 수행하면서 자동화 기계들의 관리 및 유지보수에 대한 관심이 커지고 있다. 대부분의 자동화 기계들은 다양한 센서들로부터 수집된 데이터를 기반으로 제어된다. 따라서 자동화 기계들에 부착되는 센서에 고장이 발생한다면 기계들의 오작동으로 인한 공정라인 운영에 막대한 경제적 손실뿐만 아니라 인명피해로도 이어질 수 있다. 이를 막기 위해 센서 고장을 실시간으로 감지하는 시스템이 필수적이다.
일반적으로 ...

최근 자동화 기술과 4차 산업혁명의 핵심기술인 인공지능 기술의 발전으로 산업현장에서의 공정 기계들은 단순한 공정을 반복하는 것만 아니라 고도의 제어 기술을 필요로 하는 작업까지 수행하면서 자동화 기계들의 관리 및 유지보수에 대한 관심이 커지고 있다. 대부분의 자동화 기계들은 다양한 센서들로부터 수집된 데이터를 기반으로 제어된다. 따라서 자동화 기계들에 부착되는 센서에 고장이 발생한다면 기계들의 오작동으로 인한 공정라인 운영에 막대한 경제적 손실뿐만 아니라 인명피해로도 이어질 수 있다. 이를 막기 위해 센서 고장을 실시간으로 감지하는 시스템이 필수적이다.
일반적으로 터빈, 모터, 베어링 등 기계의 고장 진단 분야에서는 신호 처리 및 분석기법이나 규칙기반 전문가 시스템을 적용한 연구가 활발히 이루어져 왔다. 하지만 기존의 연구방법을 적용하여 센서 자체의 고장을 판단하는 것은 힘들며, 새로운 고장 유형이 발생하였을 경우 알고리즘의 추가 및 수정이 어렵다.
본 논문에서는 이를 해결하기 위해 머신러닝 방법인 Support Vector Machine(SVM)과 딥 러닝 기법중 하나인 Convolution Neural Network(CNN)을 사용하여 센서 고장 진단 및 유형을 분류하였다. 또한 CNN 분류기를 사용한 실시간 모니터링 시스템을 구축하였다.
SVM을 사용한 고장 진단에서는 정확도와 효율을 높이기 위해 학습에 사용될 특징들(Time-domain statistical features, statistical features based on auto-encoder, latent variable of variational auto-encoder)에 유전 알고리즘을 적용하여 특징들을 선별하고 다중 계층 SVM을 구성하여 센서 고장을 분류하였다. CNN에서는 분류기의 성능을 높이기 위해 Convolutional Auto-Encoder(CAE)를 사용하여 pre-training 시킨 후 디코더 부분을 제거한 뒤 fully connected layer를 연결하여 전체 layer를 fine-tuning시켰다. 실시간 모니터링 시스템 구현에서는 센서 데이터를 서버로 보내고 서버에서는 CNN으로 고장을 판별 및 데이터를 데이터베이스에 저장한 뒤 웹 페이지를 통해 결과를 실시간으로 보여준다.