[논문]서포트 벡터 머신을 이용한 볼 베어링의 결함 정도 진단

김양석; 이도환; 김대웅

doi:10.3795/ksme-b.2013.37.6.551

서포트 벡터 머신을 이용한 볼 베어링의 결함 정도 진단
Fault Severity Diagnosis of Ball Bearing by Support Vector Machine 원문보기

大韓機械學會論文集. Transactions of the Korean Society of Mechanical Engineers. B. B, v.37 no.6 = no.333, 2013년, pp.551 - 558

김양석 (한국수력원자력(주) 중앙연구원) , 이도환 (한국수력원자력(주) 중앙연구원) , 김대웅 (한국수력원자력(주) 중앙연구원)

초록
AI-Helper

서포트 벡터 머신(Support Vector Machine, SVM)은 학습용 데이터 집합이 확보되어 있을 경우, 매우 강력한 분류 알고리즘이다. 따라서 패턴인식은 물론 기계학습 분야에서 결함진단 도구의 하나로 이용되고 있다. 본 논문에서는 최적 특징과 SVM 을 이용하여 볼 베어링의 결함유형과 결함의 정도를 진단한 결과를 기술하였다. SVM 학습용 특징데이터에는 12 개의 시간영역 특징과 9 개의 주파수영역 특징들이 포함되어 있으며 이들 특징들은 다양한 베어링 결함조건에서 측정된 진동신호와 진동신호의 이산 웨이블렛 변환신호로부터 추출되었다.

Abstract ▼ AI-Helper

A support vector machine (SVM) is a very powerful classification algorithm when a set of training data, each marked as belonging to one of several categories, is given. Therefore, SVM techniques have been used as one of the diagnostic tools in machine learning as well as in pattern recognition. In this paper, we present the results of classifying ball bearing fault types and severities using SVM with an optimized feature set based on the minimum distance rule. A feature set as an input for SVM includes twelve time-domain and nine frequency-domain features that are extracted from the measured vibration signals and their decomposed details and approximations with discrete wavelet transform. The vibration signals were obtained from a test rig to simulate various bearing fault conditions.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Table 3에 나타낸 바와 같이 84개 특징 전부를 이용하여 진단한 결과 분류성능은 아주 좋게 나타났다. 본 논문에서는 결함유형과 결함정도를 한번에 분류하는 방법을 제안하여 정상상태 포함 총 19개 클래스를 분류할 수 있도록 하였다.
본 논문에서는 볼 베어링의 다양한 결함조건에서 측정한 진동신호와 SVM 을 이용하여 볼 베어링의 결함 정도를 진단하는 방법을 제안하였다. 먼저 SVM 학습용 데이터를 얻기 위하여 볼 베어링 결함 실험을 수행하고 그 내용을 제 2 절에 기술하였다.
본 연구에서는 SVM 을 이용하여 볼 베어링의 결함유형 및 결함의 정도를 진단하는 방법을 제안하였다. 회전기계 결함 실험장치를 이용하여 정상 상태 외 결함의 정도가 다른 18 개의 내∙외륜, 볼 및 복합 결함을 모사하여 진동신호를 측정한 뒤, 측정신호와 측정신호의 이산 웨이블렛 변환신호로 부터 시간영역 특징 12 개, 주파수영역 특징 9 개를 추출하였다.

제안 방법

2절에서 기술한 베어링 결함 실험으로부터 측정된 진동신호와 진동신호에 대한 이산 웨이블렛 변환 결과인 세 개의 detail 및 approximation 신호를 이용하여 SVM 입력을 위한 특징을 추출하였다.
Fig. 1 에 나타낸 바와 같이, 정상상태 외에 베어링 내륜 결함, 외륜 결함, 볼 결함, 그리고 내륜, 외륜 및 볼 결함이 복합된 결함을 모사하여 실험을 수행하였다. 베어링 내륜, 외륜 및 볼 결함의 정도는 다섯 가지로 하였고 내륜, 외륜 및 볼 결함을 모두 가한 복합 결함의 정도는 세 가지로 하였다.
베어링 내륜, 외륜 및 볼 결함의 정도는 다섯 가지로 하였고 내륜, 외륜 및 볼 결함을 모두 가한 복합 결함의 정도는 세 가지로 하였다. 내륜 및 외륜 결함은 결함의 폭을 일정하게(W = 8mm) 하고 길이(L)를 각각 0.5, 1.0, 2.0, 3.0, 4.0mm 로 하였고, 볼 결함의 경우 결함의 직경(D)을 각각 0.5, 1.0, 2.0, 3.0, 4.0mm 로 하였다. 복합결함의 경우 내륜, 외륜의 결함길이 및 볼 결함 직경의 조합을 각각 0.
또한, 진동신호와 세개의 DWT approximation 신호에 대한 FFT 스펙트럼으로부터 Table 1 에 나타낸 9 개의 특징을 추가로 추출하였다⁽¹²⁾. 따라서 시간영역 신호로부터 총 48 개, FFT스펙트럼으로부터 총 36개의 특징을 구하였고, 해당 특징들을 구분하기 위하여 Table 2에 나타낸 바와 같이 번호를 부여하였다.
SVM을 이용하여 학습에 이용되는 특징의 수가 많을 경우 학습시간이 길어지고 분류성능에도 영향을 미칠 수 있다. 또한 클래스 별 특징의 차이가 최대이고 동일 클래스 내 특징의 차이는 최소가 되는 특징들이 클래스 분류 유효성이 더 크므로, 본 논문에서는 84개 특징에 대하여 정상상태 포함 19 개 클래스 별 특징의 차이와 각 클래스 내 특징의 차이를 이용하여 적용 우선순위를 결정하였다.
1 에 나타낸 바와 같이, 정상상태 외에 베어링 내륜 결함, 외륜 결함, 볼 결함, 그리고 내륜, 외륜 및 볼 결함이 복합된 결함을 모사하여 실험을 수행하였다. 베어링 내륜, 외륜 및 볼 결함의 정도는 다섯 가지로 하였고 내륜, 외륜 및 볼 결함을 모두 가한 복합 결함의 정도는 세 가지로 하였다. 내륜 및 외륜 결함은 결함의 폭을 일정하게(W = 8mm) 하고 길이(L)를 각각 0.
복합결함의 경우 내륜, 외륜의 결함길이 및 볼 결함 직경의 조합을 각각 0.5mm×0.5mm×1.0mm, 2.8mm×2.8mm×1.0mm, 1.0mm×1.0mm×2.8mm 로 하였다.
분류 문제에서 분류성능은 입력데이터 집합의 크기, 입력 특징 및 입력 특징의 수, 분류하여야 할 클래스의 수 등에 따라 달라진다. 본 논문에서는 정상상태를 포함하여 베어링 결함유형(내륜, 외륜, 볼, 복합) 및 결함의 정도에 따라 각각 10 개의 입력 특징데이터 집합을 SVM 학습에 이용하였다. SVM 학습 후 검증에 이용된 특징데이터 집합의 수는 결함유형에 따라 25 ~ 42 개였다.
1 에 나타낸 회전 기계 결함 실험장치를 이용하여 수행하였다. 실험 장치는 모터, 커플링, 로터, 베어링 하우징과 축으로 구성되어 있으며, 모터 회전수는 1800rpm 이고 베어링 하우징에 설치된 단축 가속도 센서를 이용하여 진동을 측정하였다(샘플링율: 25kSa/s).
먼저 SVM 학습용 데이터를 얻기 위하여 볼 베어링 결함 실험을 수행하고 그 내용을 제 2 절에 기술하였다. 제 3 절에서는 SVM 이론에 대해 간략히 기술하였고 제 4 절에서 진동신호로부터 추출한 SVM 입력 특징데이터 및 SVM 을 이용한 볼 베어링의 결함 정도 진단 결과를 기술하였다.
진동신호와 세 개의 DWT detail 신호에 대해서는 각각 평균값, RMS, 왜도, 첨도, 형상계수, 파고율, 엔트로피 추정값 및 엔트로피 추정 오차, 히스토그램의 상∙하한값, 바이블(Weibull) 및 정규 음의 로그-우도값(negative log-likelihood) 등 12 개의 시간영역 특징을 추출하였다. 또한, 진동신호와 세개의 DWT approximation 신호에 대한 FFT 스펙트럼으로부터 Table 1 에 나타낸 9 개의 특징을 추가로 추출하였다⁽¹²⁾.
본 연구에서는 SVM 을 이용하여 볼 베어링의 결함유형 및 결함의 정도를 진단하는 방법을 제안하였다. 회전기계 결함 실험장치를 이용하여 정상 상태 외 결함의 정도가 다른 18 개의 내∙외륜, 볼 및 복합 결함을 모사하여 진동신호를 측정한 뒤, 측정신호와 측정신호의 이산 웨이블렛 변환신호로 부터 시간영역 특징 12 개, 주파수영역 특징 9 개를 추출하였다. SVM 을 이용한 진단결과, 시간영역 및 주파수 영역 특징만을 이용하는 경우 각각 20 개, 12 개 특징을 이용하여 94%, 93.

이론/모형

7 참조). 다중분류방법으로 OAO 기법을 적용하였고, 서포트 벡터는 Pratt 이 제안한 SMO 알고리즘을 이용하여 구하였다⁽¹¹⁾.
한편 비선형 입력 벡터에 대해서는 커널 함수를 이용하여 고차원의 특징공간으로 변환함으로써 선형화하는 방법을 이용한다. 본 논문에서는 다항(polynomial) 커널을 이용하였으며 결정함수 식 (6)을 커널 함수로 다시 나타내면 다음과 같다.

성능/효과

회전기계 결함 실험장치를 이용하여 정상 상태 외 결함의 정도가 다른 18 개의 내∙외륜, 볼 및 복합 결함을 모사하여 진동신호를 측정한 뒤, 측정신호와 측정신호의 이산 웨이블렛 변환신호로 부터 시간영역 특징 12 개, 주파수영역 특징 9 개를 추출하였다. SVM 을 이용한 진단결과, 시간영역 및 주파수 영역 특징만을 이용하는 경우 각각 20 개, 12 개 특징을 이용하여 94%, 93.3%의 베어링 결함유형 및 결함의 정도를 진단할 수 있었으나 두 가지 영역 모두의 특징을 이용하면 8 개의 특징만으로 93.3%의 진단결과를 얻을 수 있었다.

후속연구

향후, 시간영역 특징은 진동신호와 이산 웨이블렛 변환신호를 이용하고 주파수영역 특징은 진동 신호를 이용하면 최적의 분류성능을 얻을 수 있을 것으로 판단된다. 그러나 결함유형 및 결함의 정도에 대하여 구분이 좀더 용이한 특징을 추가로 개발하는 것도 필요한 것으로 보인다.
향후, 시간영역 특징은 진동신호와 이산 웨이블렛 변환신호를 이용하고 주파수영역 특징은 진동 신호를 이용하면 최적의 분류성능을 얻을 수 있을 것으로 판단된다. 그러나 결함유형 및 결함의 정도에 대하여 구분이 좀더 용이한 특징을 추가로 개발하는 것도 필요한 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	회전기계의 볼 베어링 이상상태는 어떠한 방법을 이용하는가	회전기계의 볼 베어링 이상상태는 일반적으로 진동 주파수 성분과 진동의 크기를 분석하는 방법을 이용한다. 여기서 분석이란 단순히 측정한 진동데이터 파형이나 크기, 주파수 분석뿐만 아니라 웨이블렛 변환 등 다양한 신호 처리 기법을 이용하기도 한다(1,2).
	회전기계의 볼 베어링 이상상태 확인을 위해 하는 분석은 어떠한 기법을 이용하는가?	회전기계의 볼 베어링 이상상태는 일반적으로 진동 주파수 성분과 진동의 크기를 분석하는 방법을 이용한다. 여기서 분석이란 단순히 측정한 진동데이터 파형이나 크기, 주파수 분석뿐만 아니라 웨이블렛 변환 등 다양한 신호 처리 기법을 이용하기도 한다(1,2). 최근에는 인공신경망(Artificial Neural Networks, ANNs), 서포트 벡터 머신(Support Vector Machines, SVMs) 등과 같은 지능형 분류기법을 기기상태 또는 베어링 진단에 적용하기도 하였다(3~6).
	원자력발전소에 설치되어 있는 회전기계의 베어링 성능 저하는 어떠한 문제를 발생시키는가	원자력발전소에 설치되어 있는 주요 회전기계의 경우 베어링 성능 저하에 의해 이상진동이 유발되고 이는 곧 회전기계의 성능 저하 및 수명단축을 가져와 심한 경우 발전정지까지 초래할 수 있다. 따라서 원전에 설치된 주요 회전기계에 대해서는 최적의 성능을 유지시키기 위한 시험, 검사 및 정비를 일정 주기로 수행하고 있으며 예측정비 및 상태진단을 추가로 수행하기도 한다.

참고문헌 (13)

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.

상세보기
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.

상세보기
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.

상세보기
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.

원문보기 상세보기
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.
Kankar, P.K., Sharma, Satish C. and Harsha, S.P., 2011, "Fault Diagnosis of Ball Bearings Using Continuous Wavelet Transform," Applied Soft Computing, Vol. 11, pp.2300-2312.

상세보기
Vapnik, V.N., 1999, An Overview of Statistical Learning Theory, IEEE Transactions on Neural Networks, Vol.10, No.5, pp.988-999.

상세보기
Burges, C.J.C., 1998, A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, Vol.2, p.121-167.

상세보기
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.

상세보기
Platt, J.C., 1998, Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines, Technical Report MSR-TR-98-14.
Fukunaga, K., 1990, Introduction to Statistical Pattern Recognition, Academic Press.
Kim, Y.S., Lee, D.H. and Park, S.K., 2012, "Fault Size Classification of Rotating Machinery Using Support Vector Machine," The 18th Pacific Basian Nuclear Conference (PBNC 2012), Busan, Korea, March 18-22, 2012.

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증