음향 방출 신호와 히스토그램 모델링을 이용한 유도전동기의 베어링 결함 검출 Bearing Faults Identification of an Induction Motor using Acoustic Emission Signals and Histogram Modeling원문보기
본 논문에서는 저속으로 회전하는 유도 전동기의 베어링 결함을 검출하기 위해 음향 방출 신호와 히스토그램모델링을 이용하는 방법을 제안한다. 제안한 방법은 정규화된 결함 신호가 구성하는 히스토그램의 포락선을 모델링하여, 부분 상관 계수와 DET(Distance Evaluation Technique) 기법을 이용하여 결함 유형별 고유한 특징을 추출 및 선택한다. 추출된 특징을 SVR(Support Vector Regression) 분류기의 입력으로 사용하여 베어링의 내륜, 외륜 및 롤러 결함을 분류한다. 최적의 분류 성능을 위해 SVR 커널함수의 매개변수를 0.01에서 1.0까지 변화시키고, 특징 개수는 2에서 150까지 변화시키면서 실험한 결과, 0.64-0.65의 매개변수와 75개의 특징 개수에서 제안한 방법은 약 91%의 분류 성능을 보였고, 또한 기존의 결함 분류 알고리즘보다 높은 분류 성능을 보였다.
본 논문에서는 저속으로 회전하는 유도 전동기의 베어링 결함을 검출하기 위해 음향 방출 신호와 히스토그램 모델링을 이용하는 방법을 제안한다. 제안한 방법은 정규화된 결함 신호가 구성하는 히스토그램의 포락선을 모델링하여, 부분 상관 계수와 DET(Distance Evaluation Technique) 기법을 이용하여 결함 유형별 고유한 특징을 추출 및 선택한다. 추출된 특징을 SVR(Support Vector Regression) 분류기의 입력으로 사용하여 베어링의 내륜, 외륜 및 롤러 결함을 분류한다. 최적의 분류 성능을 위해 SVR 커널함수의 매개변수를 0.01에서 1.0까지 변화시키고, 특징 개수는 2에서 150까지 변화시키면서 실험한 결과, 0.64-0.65의 매개변수와 75개의 특징 개수에서 제안한 방법은 약 91%의 분류 성능을 보였고, 또한 기존의 결함 분류 알고리즘보다 높은 분류 성능을 보였다.
This paper proposes a fault detection method for low-speed rolling element bearings of an induction motor using acoustic emission signals and histogram modeling. The proposed method performs envelop modeling of the histogram of normalized fault signals. It then extracts and selects significant featu...
This paper proposes a fault detection method for low-speed rolling element bearings of an induction motor using acoustic emission signals and histogram modeling. The proposed method performs envelop modeling of the histogram of normalized fault signals. It then extracts and selects significant features of each fault using partial autocorrelation coefficients and distance evaluation technique, respectively. Finally, using the extracted features as inputs, the support vector regression (SVR) classifies bearing's inner, outer, and roller faults. To obtain optimal classification performance, we evaluate the proposed method with varying an adjustable parameter of the Gaussian radial basis function of SVR from 0.01 to 1.0 and the number of features from 2 to 150. Experimental results show that the proposed fault identification method using 0.64-0.65 of the adjustable parameter and 75 features achieves 91% in classification performance and outperforms conventional fault diagnosis methods as well.
This paper proposes a fault detection method for low-speed rolling element bearings of an induction motor using acoustic emission signals and histogram modeling. The proposed method performs envelop modeling of the histogram of normalized fault signals. It then extracts and selects significant features of each fault using partial autocorrelation coefficients and distance evaluation technique, respectively. Finally, using the extracted features as inputs, the support vector regression (SVR) classifies bearing's inner, outer, and roller faults. To obtain optimal classification performance, we evaluate the proposed method with varying an adjustable parameter of the Gaussian radial basis function of SVR from 0.01 to 1.0 and the number of features from 2 to 150. Experimental results show that the proposed fault identification method using 0.64-0.65 of the adjustable parameter and 75 features achieves 91% in classification performance and outperforms conventional fault diagnosis methods as well.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 잡음에 약하지만 미세한 결함에도 결함의 고유한 신호적 특징이 잘 반영되는 음향 방출(Acoustic Emission) 신호를 이용하여 저속으로 회전하는 유도 전동기의 결함 신호가 갖는 평균적인 포락선의 모습을 분석하여 전술한 신호 분해 단계 및 구간 선택의 문제점들을 극복하고자 한다.
본 논문에서는 음향 방출 신호와 히스토그램 모델링 기법을 이용하여 저속으로 회전하는 유도 전동기의 베어링 결함검출 방법을 제안하였다. 제안한 방법은 음향 신호를 256단계의 정규화를 통해 각 결함 유형이 구성하는 히스토그램 정보의 포락선을 모델링하고, PARCOR 기법을 통해 각 결함별 특징을 추출한다.
전술한 문제점을 극복하기 위해 본 연구에서는 히스토그램 모델링을 적용하여 베어링의 결함을 분류하는 알고리즘을 제안한다. 그림 1은 본 연구에서 제안하는 베어링 결함 검출 알고리즘의 흐름도를 보여준다.
제안 방법
본 논문에서는 음향 방출 신호를 256단계로 정규화하여 결함 신호 정보의 히스토그램(Histogram)이 구성하는 포락선을 특징으로 간주하여 모델링한다. 모델링된 결함 신호에서 부분 상관 계수(Partial Autocorrelation Coefficients, PARCOR)를 사용하여 모델링된 포락선의 특징을 추출하고, DET(Distance Evaluation Technique)로 결함 신호 고유의 특성을 나타내는 특징을 선택한다. 모델링된 신호에서 추출된 특징 정보를 SVR(Support Vector Regression)의 입력으로 사용하여 베어링의 결함 상태를 분류한다.
모델링된 결함 신호에서 부분 상관 계수(Partial Autocorrelation Coefficients, PARCOR)를 사용하여 모델링된 포락선의 특징을 추출하고, DET(Distance Evaluation Technique)로 결함 신호 고유의 특성을 나타내는 특징을 선택한다. 모델링된 신호에서 추출된 특징 정보를 SVR(Support Vector Regression)의 입력으로 사용하여 베어링의 결함 상태를 분류한다. 각 결함 신호는 초당 0.
입력된 음향 방출 신호를 256 단계로 정규화한 후, 신호를 구성하는 히스토그램의 포락선을 모델링한다. 모델링된 음향 신호는 PARCOR와 DET를 사용하여 결함 신호의 특징을 추출 및 선택한다. DET를 사용하여 선택된 특징은 SVR의 입력으로 사용하여 베어링의 상태를 진단한다.
PARCOR는 선형 예측 코딩(Linear Predictive Coding, LPC)에 비해 잡음에 의한 미세한 변화가 생기는 신호에도 비교적 균일하게 특징 벡터를 추출할 수 있는 장점이 있다. 본 논문에서는 신호 취득 시 잡음에 의해 생길 수 있는 데이터의 미세한 변화를 고려하여 PARCOR를 특징 벡터 추출에 사용한다.
본 논문에서는 음향 방출 신호를 256단계로 정규화하여 결함 신호 정보의 히스토그램(Histogram)이 구성하는 포락선을 특징으로 간주하여 모델링한다. 모델링된 결함 신호에서 부분 상관 계수(Partial Autocorrelation Coefficients, PARCOR)를 사용하여 모델링된 포락선의 특징을 추출하고, DET(Distance Evaluation Technique)로 결함 신호 고유의 특성을 나타내는 특징을 선택한다.
그림 5는 베어링의 내륜, 외륜 및 롤러 결함에 대한 각 유형의 평균적인 포락선 모델링 결과를 보여주는데, 각 결함 유형의 포락선이 독립적임이고 각각의 유형을 구성하는 히스토그램 정보가 상이함을 알 수 있다. 본 논문에서는 저속으로 회전하는 유도 전동기의 베어링 결함을 대상으로 노드 선택의 문제점과 오차 범위에 대한 추가적인 모델링 요구 사항을 극복하기 위해 히스토그램 구성 정보를 이용하여 모델링한 신호의 특징 벡터를 사용하여 베어링의 결함 상태를 진단한다.
계산된 αj는 식 (10)을 통해 정규화된 #로 계산되고, 이를 사용하여 효과적으로 C유형의 특징들을 분리하여 선정할 수 있다. 본 논문에서는 특징 선정 개수에 변화를 주어 최적의 특징 선정 개수를 선택한다.
그림 1은 본 연구에서 제안하는 베어링 결함 검출 알고리즘의 흐름도를 보여준다. 입력된 음향 방출 신호를 256 단계로 정규화한 후, 신호를 구성하는 히스토그램의 포락선을 모델링한다. 모델링된 음향 신호는 PARCOR와 DET를 사용하여 결함 신호의 특징을 추출 및 선택한다.
전술한 RBF 커널 함수의 σ값과 DET의 특징 개수 선택으로 최적의 분류 성능을 얻기 위해 σ값은 0.01에서 1.0까지, 특징 개수는 2개부터 150개까지 변화시키면서 실험하였다.
제안하는 알고리즘에서 입력된 음향 방출 신호는 256단계로 정규화하는 단계를 거쳐 신호를 구성하는 히스토그램을 모델링한다. 그림 2는 입력된 신호가 모델링되는 예를 보여준다.
본 논문에서는 음향 방출 신호와 히스토그램 모델링 기법을 이용하여 저속으로 회전하는 유도 전동기의 베어링 결함검출 방법을 제안하였다. 제안한 방법은 음향 신호를 256단계의 정규화를 통해 각 결함 유형이 구성하는 히스토그램 정보의 포락선을 모델링하고, PARCOR 기법을 통해 각 결함별 특징을 추출한다. 추출된 특징을 DET를 이용하여 각 결함 유형별 고유한 특징을 선정하며, 이를 SVR의 입력으로 사용하여 베어링의 결함 유형을 분류하였다.
제안한 방법은 음향 신호를 256단계의 정규화를 통해 각 결함 유형이 구성하는 히스토그램 정보의 포락선을 모델링하고, PARCOR 기법을 통해 각 결함별 특징을 추출한다. 추출된 특징을 DET를 이용하여 각 결함 유형별 고유한 특징을 선정하며, 이를 SVR의 입력으로 사용하여 베어링의 결함 유형을 분류하였다. SVR 커널함수의 최적인 매개변수 값과 특징 수를 사용하여 입력된 결함 데이터의 분류 성능을 실험한 결과, 제안한 방법은 약 91%의 분류 성능을 보였고, 기존 방법들보다 우수한 분류 성능을 보였다.
대상 데이터
모델링된 신호에서 추출된 특징 정보를 SVR(Support Vector Regression)의 입력으로 사용하여 베어링의 결함 상태를 분류한다. 각 결함 신호는 초당 0.5MHz로 샘플링되어 135개 데이터 셋으로 구성되었으며, 이 중 45개의 음향 신호는 분류기의 기계 학습에 사용하였고 나머지 90개를 제안한 알고리즘의 성능 검증을 위한 테스트 데이터로 사용하였다.
실험은 초당 0.5MHz로 샘플링된 결함 유형별 음향 방출데이터를 1초 단위로 나누어 총 135개의 데이터 셋으로 구성하여 실험하였다. 이 중 45개의 데이터는 SVR의 기계학습에 사용하였고, 나머지 90개의 데이터를 분류기의 입력으로 사용하였다.
5MHz로 샘플링된 결함 유형별 음향 방출데이터를 1초 단위로 나누어 총 135개의 데이터 셋으로 구성하여 실험하였다. 이 중 45개의 데이터는 SVR의 기계학습에 사용하였고, 나머지 90개의 데이터를 분류기의 입력으로 사용하였다. 전술한 RBF 커널 함수의 σ값과 DET의 특징 개수 선택으로 최적의 분류 성능을 얻기 위해 σ값은 0.
이론/모형
모델링된 결함 신호는 과거의 표본과 현재의 입력된 표본 간의 상관관계를 모델링하는 방법 중 하나인 PARCOR를 사용하여 결함 신호의 포락선을 대상으로 특징을 추출한다.
분류기에 사용되는 대표적인 커널 함수로 polynomial function, RBF (Gaussian radial basis function) 등이 있으며, 본 논문에서는 식 (13)과 같이 일반적으로 좋은 분류 성능을 보이는 RBF를 이용하였다 [14].
성능/효과
그림 3 (b)에서 보는 바와 같이 140RPM에서 회전하는 유도 전동기의 베어링내륜 결함은 주파수 영역에서 특징 주파수가 잘 표현되는데반해 20RPM(그림 3 (a)) 경우 노이즈와 특징 주파수의 구분이 어렵다. 그림 3 (a)처럼 저속으로 회전하는 유도 전동기의 베어링 결함 신호를 주파수 영역으로 변환하면 결함을 나타내는 특징이 매우 미비하게 표현될 수 있음을 알 수 있다.
추출된 특징을 DET를 이용하여 각 결함 유형별 고유한 특징을 선정하며, 이를 SVR의 입력으로 사용하여 베어링의 결함 유형을 분류하였다. SVR 커널함수의 최적인 매개변수 값과 특징 수를 사용하여 입력된 결함 데이터의 분류 성능을 실험한 결과, 제안한 방법은 약 91%의 분류 성능을 보였고, 기존 방법들보다 우수한 분류 성능을 보였다. 이러한 결과는 영상화된 음향 신호에서 모델링된 특징이 저속으로 회전하는 유도 전동기의 베어링 결함 분류에 활용될 수 있음을 보여준다.
실험결과 최적의 분류를 위한 매개변수 σ는 0.64-0.65, 특징 개수는 75개임을 알 수 있었다.
이들 알고리즘에 입력된 데이터를 최적의 σ값과 특징개수를 사용하여 분류한 결과, 표 1에서 보는 바와 같이 본 논문에서 제안하는 방법이 기존 알고리즘보다 높은 분류 성능을 보였다.
추출된 특징 벡터는 DET를 통해서 결함 고유의 특징이 선택되고, 이는 분류기의 분류 기준 생성에 방해가 될 수 있는 관계없는(Irrelevant) 데이터 및 잉여 데이터들을 제거하는 효과를 얻을 수 있다. DET를 사용하여 고유한 특징을 선택하는 과정은 아래와 같다 [13].
후속연구
음향 신호의 특성상 소리 에너지가 결함 발원지에서 센서로 전달되는 동안 인접한 구조물의 음향도 함께 포함될 수 있어 취득되는 샘플에 따라서는 결함이 생긴 구조물과 인접한 구조물의 특성이 둘 다 나타날 수 있기 때문이다. 따라서 향후 연구에서는 이러한 특성을 고려한 신호처리 기법이 요구된다.
SVR 커널함수의 최적인 매개변수 값과 특징 수를 사용하여 입력된 결함 데이터의 분류 성능을 실험한 결과, 제안한 방법은 약 91%의 분류 성능을 보였고, 기존 방법들보다 우수한 분류 성능을 보였다. 이러한 결과는 영상화된 음향 신호에서 모델링된 특징이 저속으로 회전하는 유도 전동기의 베어링 결함 분류에 활용될 수 있음을 보여준다.
질의응답
핵심어
질문
논문에서 추출한 답변
유도 전동기란 무엇인가?
산업 현장의 자동화 공정 전반에 사용되는 유도 전동기는 단순 구조와 견고한 내구성으로 구성된 장비이다. 공정과 장비의 대규모화에 따라 장비의 고출력, 고용량화로 유도 전동기 결함에 의해 발생되는 생산성 저하와 유지보수 비용, 장비 교체 등의 경제적 손실을 최소화하기 위해 유도 전동기의 관리 및 유지보수의 중요성이 증대되고 있다 [1-3].
베어링 결함을 조기에 예지하기 위한 연구가 활발히 진행되고 있는 이유는 무엇인가?
유도 전동기의 결함 중 가장 많은 비중을 차지하는 것은 베어링 결함으로, 베어링에서 발생한 결함을 사전에 예지하고 적절한 시기에 정비하지 못할 경우 유도 전동기의 다른 결함도 야기할 수 있는 문제점을 가지고 있어, 최근에는 베어링 결함을 조기에 예지하기 위한 연구가 활발히 진행되고 있다 [4-8].
기존에 사용하는, 주파수 영역으로 변환하여 결함의 특징 주파수를 표현하는 방법의 한계점은 무엇인가?
기존 연구에서는 유도 전동기에서 취득한 진동 신호 및 전류 신호를 STFT(Short Time Fourier Transform), WPT(Wavelet Packet Transform), EMD(Empirical Mode Decomposition) 등의 신호처리 기법들을 사용하여 주파수 영역으로 변환하여 결함의 특징 주파수를 표현하는 방법이 제안되었다 [9-12]. 그러나 저속으로 회전하는 유도 전동기의 경우 베어링의 결함의 발생 주기가 상대적으로 긴 특성이 있어, 주파수 영역으로 변환하여 신호처리 기법을 적용할 경우 특징 주파수의 표현이 매우 미비하게 나타날 수 있다. 또한 취득되는 신호의 비정형(non-stationary)적인 특징으로 결함 신호가 항상 동일한 구간에서 발생한다는 보장을 할 수 없어 결함의 특징을 포함하는 주파수 분해 단계나 구간 선택에 대한 기준을 명확히 규정할 수 없다.
참고문헌 (16)
K. Shahzad, P. Cheng, and B. Oelmann, "Architecture Exploration for a High-Performance and Low-Power Wireless Vibration Analyzer", IEEE Sensors Journal, Vol. 13, No. 2, pp. 670-682, February 2013.
C.-H. Hwang, M. Kang, J.-M. Kim, "A Study on Robust Feature Vector Extraction for Fault Detection and Classification of Induction Motor in Noise Circumstance," Journal of the Korea Society of Computer and Information, Vol. 16, No. 12, pp. 187-196, 2011.
C.-H. Hwang, Y,-M. Kim, C.-H. Kim, J.-M. Kim, "Fault Detection and Diagnosis of Induction Motors using LPC and DTW Methods," Journal of the Korea Society of Computer and Information, Vol. 16, No. 3, pp. 141-147, 2011.
M. Deriche, "Bearing Fault Diagnosis Using Wavelet Analysis," International Conference on Computers, Communication and Signal Processing with Special Track on Biomedical Engineering, pp. 197-201, 2005.
W. Zhou, B. Lu, T. G. Habetler, and R. G. Harley, "Incipient Bearing Fault Detection via Motor Stator Current Noise Cancellation Using Wiener Filter", IEEE Transactions on Industry Applications, Vol. 45, No. 4, pp. 1309-1317, July 2009.
S. Lu, Q. He, F. Hu, and F. Kong, "Sequential Multiscale Noise Tuning Stochastic Resonance for Train Bearing Fault Diagnosis in an Embedded System", IEEE Transactions on Instrumentation and Measurement, Vol. 63, No. 1, pp. 106-116, Jan. 2014.
W. Jang, J. Kim "Bearing Multi-Faults Detection of an Induction Motor using Acoustic Emission Signals and Texture Analysis", Journal of the Korea Society of Computer and Information, Vol. 19, No. 4, pp. 55-62, 2014.
M. Kang, W. Jang, and J. Kim, "High-Reliable Classification of Multiple Induction Motor Faults using Robust Vibration Signatures in Noisy Environments based on a LPC Analysis and an EM Algorithm", Journal of the Korea Society of Computer and Information, Vol. 19, No. 2, pp. 21-30, 2014.
N. Baydar and A. Ball, "Detection of Gear Failures via Vibration and Acoustic Signals using Wavelet Transform", Mechanical System and Signal Processing, vol. 17, no. 4, pp. 787-804, 2003.
H. E. Jeong, D. S. Gu, H. J. Kim, Tan. Andy, Y. H. Kim and B. K. Choi, "The Application of AE Transducer for the Bearing Condition Monitoring of Low-Speed Machine", KSNVE07S-09-03, 2007.
D. Wang, Q. Miao and R. Kang, "Robust Health Evaluation of Gearbox Subject to Tooth Failure with Wavelet Decomposition", Journal of Sound and Vibration, vol. 324, pp. 1141-1157, 2009.
Yaguo Lei, Zhengjia He, Yanyang Zi, Qiao Hu, "Fault Diagnosis of Rotating Machinery based on Multiple ANFIS Combination with GAs", Mechanical Systems and Signal Processing 21, pp. 2280-2294, 2007.
C. Shen, D. Wang, F. Kong, P. W. Tse, "Fault Diagnosis of Rotating Machinery based on the Statistical Parameters of Wavelet Packet Paving and a Generic Support Vector Regressive Classifier", Journal of the International Measurement Confederation 46, pp. 1551-1564, 2013.
V. T. Do and U.-P. Chong, "Signal Model-Based Fault Detection and Diagnosis for Induction Motors Using Features of Vibration Signal in Two-Dimension Domain," Journal of Mechanical Engineering, Vol. 57, No. 9, pp. 655-666, 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.