결함유형별 최적 특징과 Support Vector Machine 을 이용한 회전기계 결함 분류 Fault Classification for Rotating Machinery Using Support Vector Machines with Optimal Features Corresponding to Each Fault Type원문보기
Support Vector Machine(SVM)을 이용한 회전기계 진단 연구가 많이 수행되어 왔으나 결함 분류성능은 입력 특징과 더불어 다중 분류 방법, 이진분류기, 커널함수 등에 따라 다르다. SVM 을 이용한 대부분의 기존 연구들은 한번 입력 특징들을 선정하면 결함 분류시 동일한 특징데이터를 이용한다. 본 논문에서는 회전기계의 다양한 결함조건에서 측정한 진동신호로부터 추출한 통계적 특징들을 이용하여 각각의 결함을 분류하기 위한 최적 특징들을 선정한 후, 해당 결함상태를 분류하기 위한 SVM 학습과 분류에 각각 이용하였다. 실험자료를 이용한 검증 결과, 제안한 단계 분류 방법이 상대적으로 적은 학습시간으로 단일 다중 분류 방법과 유사한 분류 성능을 얻을 수 있었다.
Support Vector Machine(SVM)을 이용한 회전기계 진단 연구가 많이 수행되어 왔으나 결함 분류성능은 입력 특징과 더불어 다중 분류 방법, 이진분류기, 커널함수 등에 따라 다르다. SVM 을 이용한 대부분의 기존 연구들은 한번 입력 특징들을 선정하면 결함 분류시 동일한 특징데이터를 이용한다. 본 논문에서는 회전기계의 다양한 결함조건에서 측정한 진동신호로부터 추출한 통계적 특징들을 이용하여 각각의 결함을 분류하기 위한 최적 특징들을 선정한 후, 해당 결함상태를 분류하기 위한 SVM 학습과 분류에 각각 이용하였다. 실험자료를 이용한 검증 결과, 제안한 단계 분류 방법이 상대적으로 적은 학습시간으로 단일 다중 분류 방법과 유사한 분류 성능을 얻을 수 있었다.
Several studies on the use of Support Vector Machines (SVMs) for diagnosing rotating machinery have been successfully carried out, but the fault classification depends on the input features as well as a multi-classification scheme, binary optimizer, kernel function, and the parameter to be used in t...
Several studies on the use of Support Vector Machines (SVMs) for diagnosing rotating machinery have been successfully carried out, but the fault classification depends on the input features as well as a multi-classification scheme, binary optimizer, kernel function, and the parameter to be used in the kernel function. Most of the published papers on multiclass SVM applications report the use of the same features to classify the faults. In this study, simple statistical features are determined on the basis of time domain vibration signals for various fault conditions, and the optimal features for each fault condition are selected. Then, the optimal features are used in the SVM training and in the classification of each fault condition. Simulation results using experimental data show that the results of the proposed stepwise classification approach with a relatively short training time are comparable to those for a single multi-class SVM.
Several studies on the use of Support Vector Machines (SVMs) for diagnosing rotating machinery have been successfully carried out, but the fault classification depends on the input features as well as a multi-classification scheme, binary optimizer, kernel function, and the parameter to be used in the kernel function. Most of the published papers on multiclass SVM applications report the use of the same features to classify the faults. In this study, simple statistical features are determined on the basis of time domain vibration signals for various fault conditions, and the optimal features for each fault condition are selected. Then, the optimal features are used in the SVM training and in the classification of each fault condition. Simulation results using experimental data show that the results of the proposed stepwise classification approach with a relatively short training time are comparable to those for a single multi-class SVM.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 패턴인식 기법 중 SVM 을 이용하여 결함을 분류할 목적으로 측정신호의 평균값, rms, 왜도, 첨도, 최대 첨두치, 형상계수 등 18 가지 특징을 추출하였다. 5 번의 측정 자료(D1~ D5 로 표기)는 각각 9500 개의 샘플데이터로 구성된 20 개의 신호로 등분하고 등분된 신호로부터 각각 18 개의 특징을 추출하였다.
본 연구에서는 회전기계의 정상상태로부터 비정상상태를 우선 분류한 뒤 다양한 비정상상태의 결함을 분류하는 단계 분류 방법을 제안하였다. 각 단계별로 최적 특징을 선정하고 이를 각각 적용하였으며 절차를 단순화하기 위하여 회전기계에서 측정한 시간영역 진동 신호로부터 추출한 특징데이터만을 이용하였다.
제안 방법
5 에 나타낸 단일 다중분류 SVM 을 이용하여 11 개 결함을 분류하는 방법과 달리, Fig. 6 에 나타낸 단계 분류 알고리즘을 적용하여 결함유형을 분류하였다.
동일 가속도계를 이용하여 독립적으로 측정된 5 번의 시계열 데이터를 이용하여 제안 알고리즘을 검증하였다. 5 개의 220x18 특징데이터 집합을 각각 이용하여(D1 ~ D5) SVM 분류기들을 학습하였고 학습에 이용되지 않은 4 개의 220x18 특징데이터 집합을 이용하여 검증하였다. 예를 들어 D3 이 학습용 입력 데이터일 경우 검증용 데이터는 D1, D2, D4, D5 가 된다.
각 단계별로 최적 특징을 선정하고 이를 각각 적용하였으며 절차를 단순화하기 위하여 회전기계에서 측정한 시간영역 진동 신호로부터 추출한 특징데이터만을 이용하였다.
그러나 각 단계별로 이용하는 특징들은 결함유형별 분류성능이 가장 좋은 특징들을 각각 적용하여 최적의 분류성능을 얻을 수 있도록 하였다.
동일 가속도계를 이용하여 독립적으로 측정된 5 번의 시계열 데이터를 이용하여 제안 알고리즘을 검증하였다. 5 개의 220x18 특징데이터 집합을 각각 이용하여(D1 ~ D5) SVM 분류기들을 학습하였고 학습에 이용되지 않은 4 개의 220x18 특징데이터 집합을 이용하여 검증하였다.
그러나 입력공간이 선형적으로 분리가 가능한 경우는 식 (5)를 이용하여 클래스를 분류할 수 있으나 대부분의 경우 선형적으로 쉽게 분리할 수 없다. 따라서 비선형 입력공간의 데이터를 커널(kernel) 함수를 이용하여 고차원의 특징공간으로 변환함으로써 선형화하는 방법을 이용한다.
또한 동일한 특징을 이용한 결함분류시 결함유형별 분류성능에는 차이가 있을 것으로 예상되므로 본 논문에서는 결함유형별로 특징의 차이가 최대이고 동일 결함유형내 특징의 차이는 최소가 되는 특징들을 최적 특징으로 정의하고 유효성을 평가하였다.
본 논문에서 제안한 단계 결함 분류 알고리즘을 적용하기 위해서는 결함 분류의 단계와 각 단계에서의 분류 대상 결함 유형을 먼저 정의하여야 한다.
본 논문에서는 우선 입력 특징데이터를 정상-비정상으로 분류하고(SVM1) 비정상으로 분류되면 다시 SVM2 를 이용하여 4 가지 비정상 유형, 즉 {C2, C10, C11}, {C3, C4, C5}, {C6, C7} 및 {C8, C9}로 분류하고 분류결과에 따라 SVM3 ~ SVM6 를 이용하여 최종 결함유형을 결정하도록 하였다.
본 논문의 제 2 절에서는 본 모델의 입력데이터로 활용하기 위한 회전체 결함 실험을 간략히 소개하고 측정 데이터로부터 결함 유형별 최적 특징 선정 내용을 기술하였다.
본 연구에서는 결함유형별 최적 특징과 SVM 을 이용하여 회전기계의 정상상태로부터 비정상상태를 우선 분류하고 다양한 비정상상태 결함을 분류하는 단계 결함분류 알고리즘을 제안하였다.
분류하여야 할 클래스가 많고 입력데이터의 양이 아주 많은 분류 문제에 단계 분류 알고리즘을 적용한 사례가 있으나 각 단계에서의 특징은 동일한 특징을 이용하였다.
실험장치는 모터, 그리드 커플링, 베어링 하우징과 축으로 구성되어 있으며 모터의 회전수는 1800rpm 이고 베어링 하우징에 설치된 단축 가속도센서를 이용하여 진동을 측정하였다(샘플링율: 25kSa/s).
본 논문의 제 2 절에서는 본 모델의 입력데이터로 활용하기 위한 회전체 결함 실험을 간략히 소개하고 측정 데이터로부터 결함 유형별 최적 특징 선정 내용을 기술하였다. 제 3 절에서는 SVM 에 대해 간략히 기술하였고 제 4 절에서 단계 결함분류 알고리즘을 제안하고 실험자료를 이용하여 알고리즘을 적용한 결과를 기술하였다.
대상 데이터
5 번의 측정 자료(D1~ D5 로 표기)는 각각 9500 개의 샘플데이터로 구성된 20 개의 신호로 등분하고 등분된 신호로부터 각각 18 개의 특징을 추출하였다.
실험장치는 모터, 그리드 커플링, 베어링 하우징과 축으로 구성되어 있으며 모터의 회전수는 1800rpm 이고 베어링 하우징에 설치된 단축 가속도센서를 이용하여 진동을 측정하였다(샘플링율: 25kSa/s). 각 결함유형별로 취득된 데이터 수는 최하 190,000 개였으며 총 5 회를 측정하였다.
이론/모형
SVM2~SVM4 와 같이 3 가지 이상의 결함 분류 시 OAO 기법을 적용하였고, 서포트 벡터는 Pratt 이 제안한 SMO 알고리즘을 이용하여 구하였다.
본 논문에서는 3 가지 이상의 결함을 분류하는 경우 OAO 알고리즘을 적용하였다.
일반적으로 사용되는 커널 함수로는 RBF 커널, 다항(polynomial) 커널, 선형(linear) 커널, 시그모이드(sigmoid) 함수 등이 있으며 본 논문에서는 다음과 같이 정의된 RBF 커널을 이용하였다.
성능/효과
전체적으로 분류 정확도 측면에서는 두 가지 방법이 비슷한 결과를 나타내었고 특히 결함유형별 특징데이터의 수가 많은 경우는(최대 18 개) 두 가지 방법에 의한 결과가 거의 동일함을 알 수 있다.
제안 알고리즘을 정상상태를 포함한 11 가지 인위적 결함 실험 데이터를 이용하여 검증한 결과, 단일 다중분류 SVM 에 비해 60~70%의 학습시간으로 유사한 분류성능을 얻을 수 있었다.
후속연구
제안 알고리즘은 회전기계에 대한 이상상태 여부에 대한 판단과 함께 이상상태에 대한 결함 분류에 적용할 수 있으며 시간영역 측정데이터의 전처리 데이터를 이용하여 더 많은 입력 특징데이터를 고려할 경우 분류 성능이 개선될 것으로 기대된다.
향후 결함의 크기 영향에 대한 실험 수행 및 특징데이터 추가 개발을 통해 회전기계의 결함 분류 뿐만 아니라 결함의 크기까지 진단할 수 있도록 하고, 본 알고리즘을 이용하여 현장에서 실시간 진단이 가능한 진단 프로그램을 개발할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
원자력발전소에 설치되어 있는 주요 기기들은 무엇에 따라 다양한 이상상태가 나타나는가?
원자력발전소에 설치되어 있는 주요 기기들은 설계특성, 설치상태, 운전조건 및 사용기간에 따라 다양한 이상상태가 나타난다. 특히 모터, 펌프, 터빈등과 같은 회전기계의 경우 질량 불평형에 의한 편심, 정렬 불량, 베어링 성능 저하 등에 의해 이상진동이 유발되며 이는 곧 회전기계의 성능 저하 및 수명단축을 가져와 심한 경우 발전정지까지 유발할 수 있다.
기존의 Support Vector Machine을 이용한 회전기계 진단 연구에서 한번 입력 특징들을 선정하면 무엇을 이용하여 결함 분류를 수행하는가?
Support Vector Machine(SVM)을 이용한 회전기계 진단 연구가 많이 수행되어 왔으나 결함 분류성능은 입력 특징과 더불어 다중 분류 방법, 이진분류기, 커널함수 등에 따라 다르다. SVM 을 이용한 대부분의 기존 연구들은 한번 입력 특징들을 선정하면 결함 분류시 동일한 특징데이터를 이용한다. 본 논문에서는 회전기계의 다양한 결함조건에서 측정한 진동신호로부터 추출한 통계적 특징들을 이용하여 각각의 결함을 분류하기 위한 최적 특징들을 선정한 후, 해당 결함상태를 분류하기 위한 SVM 학습과 분류에 각각 이용하였다.
SVM의 단점은 무엇인가?
(3~12) 일반화 성능면에서 더 나은 것으로 알려져 있는 SVM 은 1960 년대의 통계적 학습이론으로부터 Vapnik 에 의해 개발되어 1990 년대 중반부터 패턴인식분야에 주로 적용되었고 진단분야에는 2000 년대 초반부터 적용하기 시작하여 상당히 좋은 분류 성능을 보여주었다(3~6). 그러나 SVM 은 이진분류 모델이어서 실제 더 많이 존재하는 다중 분류 문제에 적용할 경우 분류 성능이 저하되고 데이터량이 많거나 분류대상이 많을 경우 학습시간이 길어진다는 단점이 있다. 이와 같은 단점을 극복하기 위하여 SVM 앙상블(Ensemble)을 이용하여 고장을 분류하는 방법이 제안되었다(7,13).
참고문헌 (17)
Tse, P.W., Peng, Y.H. and Yam, R., 2001, "Wavelet Analysis and Envelope Detection for Rolling Element Bearing Fault Diagnosis ？ Their Effectiveness and Flexibilities," Journal of Vibration and Acoustics, Vol.123, pp.303-310.
Zhang, Y.X. and Randall, R.B., 2009, "Rolling Element Bearing Fault Diagnosis Based on the Combination of Genetic Algorithm and Fast Kurtogram," Mechanical Systems and Signal Processing, Vol.23, pp.1509-1517.
Jack, L.B. and Nandi, A.K., 2002, "Fault Detection Using Support Vector Machines and Artificial Neural Networks, Augmented by Genetic Algorithms," Mechanical Systems and Signal Processing, Vol.16, pp.373-390.
Hwang, W.W. and Yang, B.S., 2004, "Fault Diagnosis of Rotating Machinery Using Multi-Class Support Vector Machines," Trans. of the KSNVE, Vol. 14, No.12, pp.1233-1240.
Samanta, B., 2004, "Gear Fault Detection Using Artificial Neural Networks and Support Vector Machines with Genetic Algorithms," Mechanical Systems and Signal Processing, Vol.18, pp.625-644.
Yang, B.S., Hwang, W.W., Kim, D.J. and Tan, A., 2005, "Condition Classification of Small Reciprocating Compressor for Refrigerators Using Artificial Neural Networks and Support Vector Machines," Mechanical Systems and Signal Processing, Vol.19, pp.371-390.
Hu, Q, He, Z.J, Zhang, Z.S. and Zi, Y.Y., 2007, "Fault Diagnosis of Rotating Machinery Based on Improved Wavelet Package Transform and SVMs ensemble," Mechanical Systems and Signal Processing, Vol.21, pp.688-705.
Yang, B.S., Han, T. and Hwang, W.W., 2005, "Fault Diagnosis of Rotating Machinery Based on Multi-Class Support Vector Machines," KSME Int. J., Vol. 19, No.31, pp.846-859.
Tyagi, C.S., 2008, "A Comparative Study of SVM Classifiers and Artificial Neural Networks Application for Rolling Element Bearing Fault Diagnosis using Wavelet Transform Preprocessing," Proceedings of World Academy of Science, Engineering and Technology, Vol.33, pp.319-327.
Samanta, B., Al-Balushi, K.R. and Al-Araimi, S.A., 2003, "Artificial Neural Networks and Support Vector Machines with Genetic Algorithm for Bearing Fault Detection," Engineering Applications of Artificial Intelligence, Vol. 16, pp.657-665.
Hu, Z.H, Cai, Y.Z., Li, Y.G. and Xu, X.M., 2005, "Data Fusion for Fault Diagnosis Using Multi-class Support Vector Machines," J. Zhejiang University Science, Vol. 10, No.6A, pp.1030-1039.
Yan W.W., Shao, H.H. and Wang, X.F., 2003, "Parallel Decision Models Based on Support Vector Machines and Their Application to Distributed Fault Diagnosis," Proceedings of the American Control Conference, Denver, Colorado, June 4-6, 2003, pp.1770-1775.
Kim, H.C., Pang, S.N., Je, H.M., Kim, D.J. and Bang S.Y., 2003, "Constructing Support Vector Machine Ensemble," Pattern Recognition, Vol. 36, pp.2757-2767.
Rovero. D, 2002, "ARTD: Autonomous Recursive Task Decomposition for Many-Class Learning," International J. Knowledge-Based Intelligent Engineering Systems, Vol. 6, No. 4.
Cristianini, N. and Shawe-Taylor, J., 2000, An Introduction to Support Vector Machines and other Kernel-Based Learning Methods, Cambridge University Press, Cambridge.
Hsu, C.W. and Lin, C.J., 2002, "A Comparison of Methods for Multiclass Support Vector Machines," IEEE Transactions on Neural Networks, Vol. 13, No.2, pp.415-425.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.