철도는 항공기, 선박 등과 더불어 대표적 대중교통 수단으로서 최근 고속 철도의 등장으로 인해 그 비중이 점점 더 높아지고 있으며, 아울러 대형사고의 위험 또한 증가하고 있다. 이중에서 철도 차량의 차축 베어링은 높은 안전성이 요구되는 부품으로서 최근 이의 고장예측을 위한 건전성 관리기술(Prognostics and Health Management, PHM)에 많은 연구가 집중되고 있다. PHM은 센서를 통해 얻은 데이터로부터 결함관련 특징신호를 추출하고 현재의 고장수준 진단과 미래의 고장싯점을 예측하는 기술로서, 이중에서 가장 중요한 부분은 올바른 특징신호를 추출하는 것이다. 그러나 지금까지의 특징신호들은 잡음으로 인한 심한 변동이나 비단조 경향으로 인해 고장예측에 이용하기에 부족한 점이 있었다. 본 연구에서는 이를 극복하기 위해 주파수 에너지 이동현상을 기반으로 정보 엔트로피를 특징신호로 사용하는 새로운 특징신호 추출법을 개발하고 IEEE 2012 PHM 경진대회에서 공개된 FEMTO 베어링 수명시험 데이터를 대상으로 기존의 특징신호들과 고장예측 성능비교를 함으로써 그 우수성을 검증하였다.
철도는 항공기, 선박 등과 더불어 대표적 대중교통 수단으로서 최근 고속 철도의 등장으로 인해 그 비중이 점점 더 높아지고 있으며, 아울러 대형사고의 위험 또한 증가하고 있다. 이중에서 철도 차량의 차축 베어링은 높은 안전성이 요구되는 부품으로서 최근 이의 고장예측을 위한 건전성 관리기술(Prognostics and Health Management, PHM)에 많은 연구가 집중되고 있다. PHM은 센서를 통해 얻은 데이터로부터 결함관련 특징신호를 추출하고 현재의 고장수준 진단과 미래의 고장싯점을 예측하는 기술로서, 이중에서 가장 중요한 부분은 올바른 특징신호를 추출하는 것이다. 그러나 지금까지의 특징신호들은 잡음으로 인한 심한 변동이나 비단조 경향으로 인해 고장예측에 이용하기에 부족한 점이 있었다. 본 연구에서는 이를 극복하기 위해 주파수 에너지 이동현상을 기반으로 정보 엔트로피를 특징신호로 사용하는 새로운 특징신호 추출법을 개발하고 IEEE 2012 PHM 경진대회에서 공개된 FEMTO 베어링 수명시험 데이터를 대상으로 기존의 특징신호들과 고장예측 성능비교를 함으로써 그 우수성을 검증하였다.
Railway is one of the public transportation systems along with shipping and aviation. With the recent introduction of high speed train, its proportion is increasing rapidly, which results in the higher risk of catastrophic failures. The wheel bearing to support the train is one of the important comp...
Railway is one of the public transportation systems along with shipping and aviation. With the recent introduction of high speed train, its proportion is increasing rapidly, which results in the higher risk of catastrophic failures. The wheel bearing to support the train is one of the important components requiring higher reliability and safety in this aspect. Recently, many studies have been made under the name of prognostics and health management (PHM), for the purpose of fault diagnosis and failure prognosis of the bearing under operation. Among them, the most important step is to extract a feature that represents the fault status properly and is useful for accurate remaining life prediction. However, the conventional features have shown some limitations that make them less useful since they fluctuate over time even after the signal de-noising or do not show a distinct pattern of degradation which lack the monotonic trend over the cycles. In this study, a new method for feature extraction is proposed based on the observation of relative frequency energy shifting over the cycles, which is then converted into the feature using the information entropy. In order to demonstrate the method, traditional and new features are generated and compared using the bearing data named FEMTO which was provided by the FEMTO-ST institute for IEEE 2012 PHM Data Challenge competition.
Railway is one of the public transportation systems along with shipping and aviation. With the recent introduction of high speed train, its proportion is increasing rapidly, which results in the higher risk of catastrophic failures. The wheel bearing to support the train is one of the important components requiring higher reliability and safety in this aspect. Recently, many studies have been made under the name of prognostics and health management (PHM), for the purpose of fault diagnosis and failure prognosis of the bearing under operation. Among them, the most important step is to extract a feature that represents the fault status properly and is useful for accurate remaining life prediction. However, the conventional features have shown some limitations that make them less useful since they fluctuate over time even after the signal de-noising or do not show a distinct pattern of degradation which lack the monotonic trend over the cycles. In this study, a new method for feature extraction is proposed based on the observation of relative frequency energy shifting over the cycles, which is then converted into the feature using the information entropy. In order to demonstrate the method, traditional and new features are generated and compared using the bearing data named FEMTO which was provided by the FEMTO-ST institute for IEEE 2012 PHM Data Challenge competition.
하지만 이 방법은 물리적인 근거가 부족하고, 정보 엔트로피를 계산하는 과정에서 계산 시간이 오래 걸린다는 한계가 존재했다. 본 연구에서는 An et al.(2016)이 제시한 방법론의 물리적 의미를 파악하고, 보다 신속하게 특정 주파수를 선정하여 특징신호를 추출할 수 있는 향상된 방법을 제시하였다. 고장 예측의 최종 목표는 잔존수명을 예측하는 것이지만, 본 연구에서는 고장 예측에 적합한 특징 신호를 추출하는 것에 초점을 맞추고, IEEE 2012 PHM data challenge competition에서 제시된 FEMTO 베어링 실험 데이터를 대상으로 기존의 특징신호들과 함께 예측 관점의 성능비교를 함으로써 그 우수성을 검증하였다.
제안 방법
(2016)이 제시한 방법론의 물리적 의미를 파악하고, 보다 신속하게 특정 주파수를 선정하여 특징신호를 추출할 수 있는 향상된 방법을 제시하였다. 고장 예측의 최종 목표는 잔존수명을 예측하는 것이지만, 본 연구에서는 고장 예측에 적합한 특징 신호를 추출하는 것에 초점을 맞추고, IEEE 2012 PHM data challenge competition에서 제시된 FEMTO 베어링 실험 데이터를 대상으로 기존의 특징신호들과 함께 예측 관점의 성능비교를 함으로써 그 우수성을 검증하였다.
가장 일반적인 특징신호인 RMS, Kurtosis와 베어링 고장 진단에서 많이 사용되고 있는 특징신호인 spectrarl kurtosis, 그리고 본 연구에서 제안한 에너지 기반의 정보 엔트로피의 단조 경향을 정량적으로 평가한 [Table 3]와 같다. 본 연구에서 제시한 방법은 소개한 방법 중에서 유일하게 감소 경향에 주목하였기 때문에, 상관관계는 음수로 나타난다. 대표적인 시간 영역 특징 신호인 RMS와 Kurtosis는 모두 낮은 단조적인 상관관계를 보인다는 것을 확인할 수 있다.
대상 데이터
본 연구에서 사용한 데이터는 FEMTO bearing data로, PHM conference competition 2012 당시 제공된 데이터이다. FEMTO의 실험 조건 및 테스트 베드의 실제 사진은 [Fig.
1초 간격으로 10초 마다 측정되었다. 총 세 가지 데이터 세트가 서로 다른 실험 조건으로 측정되었으며, data challenge를 위한 임계수준은 가속도계의 진폭이 20g에 도달하는 시점으로 정의되었다(NECTOUX et al., 2012; FEMTO Bearing Data Set). 본 연구에서는 FEMTO 베어링 데이터 중 condition 1에 해당되는 데이터들이 사용하였다.
성능/효과
또한 베어링 PHM 분야에서 전통적으로 사용되고 있었던 특징 신호와의 성능을 비교하였으며, 이를 위한 지표로 Spearman's correlation을 도입하였다. 그 결과 에너지 엔트로피가 기존 특징신호들에 비해서 더 높은 단조 경향을 보이고, 수명 기간 동안 특징신호의 떨림현상이 발견되지 않았다. 에너지 엔트로피를 고장 예측을 위한 특징신호로 사용하면, 보다 정확하게 잔존 수명을 예측할 수 있을 것으로 기대된다.
14]를 살펴보면, # 4, Set # 6의 경우, 특징신호 경향에서 떨림 현상(fluctuation)이 확인되고, Set #5는, 수명 근처에 이르러서야 급격하게 상승하는 경향이 여전히 존재한다는 것을 알 수 있다. 본 연구에서 제시한 주파수 에너지에 대한 엔트로피는 대부분의 데이터가 100 cycle 근처까지만 상승하고, 베어링의 실제 수명까지는 단조 감소경향을 보인다.
본 연구에서는 베어링이 고장에 도달하면서 특정 주파수에서의 에너지가 상승하게 된다는 물리적 현상에 주목하였다. 이를 통해 특정 주파수에서의 주파수 에너지를 이용한 특징신호를 새롭게 추출하였으며, 기존 연구보다 더 향상된 특정 주파수 수렴 속도를 확보하였다. 또한 베어링 PHM 분야에서 전통적으로 사용되고 있었던 특징 신호와의 성능을 비교하였으며, 이를 위한 지표로 Spearman's correlation을 도입하였다.
후속연구
그 결과 에너지 엔트로피가 기존 특징신호들에 비해서 더 높은 단조 경향을 보이고, 수명 기간 동안 특징신호의 떨림현상이 발견되지 않았다. 에너지 엔트로피를 고장 예측을 위한 특징신호로 사용하면, 보다 정확하게 잔존 수명을 예측할 수 있을 것으로 기대된다. 하지만 본 연구에서는 베어링의 고장을 의미한 임계수준에 대한 정의를 제시하지 못했다.
에너지 엔트로피를 고장 예측을 위한 특징신호로 사용하면, 보다 정확하게 잔존 수명을 예측할 수 있을 것으로 기대된다. 하지만 본 연구에서는 베어링의 고장을 의미한 임계수준에 대한 정의를 제시하지 못했다. 향후 연구에서는 에너지 엔트로피를 이용한 고장 임계수준을 정의하고, 이를 이용하여 다양한 데이터에서의 베어링 고장을 실제로 예측하는 연구를 진행할 것이다.
하지만 본 연구에서는 베어링의 고장을 의미한 임계수준에 대한 정의를 제시하지 못했다. 향후 연구에서는 에너지 엔트로피를 이용한 고장 임계수준을 정의하고, 이를 이용하여 다양한 데이터에서의 베어링 고장을 실제로 예측하는 연구를 진행할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
특징신호는 전통적으로 어떻게 분류할 수 있으며, 각각의 대표적인 것에는 무엇이 있는가?
이로 인해 센서로부터 얻은 신호를 이용하여 베어링의 상태를 올바로 나타내고, 베어링의 결함을 판단할 수 있는 특징신호 추출하는 작업이 중요하다. 전통적으로 특징신호는 시간 영역(Time domain)과 주파수 영역(Frequency domain)으로 분류할 수 있으며, 시간 영역의 대표적인 것에는 RMS와 Kurtosis가, 주파수 영역에서는 Spectral kurtosis, envelope 적용 후의 결함주파수 진폭이 있다(Yan et al., 2008).
베어링 고장예지에서 가장 일반적으로 사용되는 방법은 무엇인가?
PHM 단계 중 신호처리, 고장진단 기술은 지금까지 많은 연구가 진행되어 성숙되었지만, 고장예지기술은 최근 연구가 시작되고 있는 분야이다. 베어링 고장예지에서 가장 일반적으로 사용되는 방법은 가속도계를 이용하여 진동 신호를 분석하는 것이다. 하지만 동일한 운전 상태의 베어링이라도 진동 신호 패턴이 서로 다르고 수명 또한 다르게 나타나기 때문에 베어링의 상태를 진단, 예측하는 데에 많은 어려움이 존재한다.
PHM은 크게 세 단계로 구성되는데, 이는 무엇인가?
PHM은 크게 세 가지 단계로 구성된다. 먼저, 센서로부터 데이터를 수집하고 특징 신호(Feature)를 추출하는 신호처리(Signal processing), 고장 형태를 파악하고, 심각도를 진단하는 고장진단(Diagnostics), 현재의 고장이 언제 사용불능 상태에 도달할지를 미리 예지하는 고장예지(Prognostics)로 구성된다. PHM 단계 중 신호처리, 고장진단 기술은 지금까지 많은 연구가 진행되어 성숙되었지만, 고장예지기술은 최근 연구가 시작되고 있는 분야이다.
참고문헌 (11)
An D., Kim N. H. and Choi J.(2016), "Bearing Prognostics Method Based on Entropy Decrease at Specific Frequency," In 18th AIAA Non-Deterministic Approaches Conference, p.1678.
Antoni J.(2006), "The spectral kurtosis: a useful tool for characterising non-stationary signals," Mechanical Systems and Signal Processing, vol. 20, no. 2, pp.282-307.
FEMTO Bearing Data Set, NASA Ames Prognostics Data Repository, http://ti.arc.nasa.gov/project/ prognostic-data-repository, NASA Ames Research Center, Moffett Field, CA.
NECTOUX, Patrick et al.(2012), PRONOSTIA: An experimental platform for bearings accelerated degradation tests, In: IEEE International Conference on Prognostics and Health Management, PHM'12. IEEE Catalog Number: CPF12PHM-CDR, p.1-8.
Note S. F. A.(2012), Rolling Element Bearings, REB, Sales Technology, Inc, League City TX.
Randall R. B. and Antoni J.(2011), "Rolling element bearing diagnostics-a tutorial," Mechanical systems and signal processing, vol. 25, no. 2, pp.485-520.
Siegel D., Lee J. and Canh L.(2011), "Methodology and framework for predicting rolling element helicopter bearing failure," Prognostics and Health Management (PHM), 2011 IEEE Conference on. IEEE.
Siew W. S., Smith W. A., Peng Z. and Randall R. B.(2015), "Fault Severity Trending in Rolling Element Bearings," Acoustics 2015 Hunter Valley.
Sutrisno E., Oh H., Vasan A. S. S. and Pecht M.(2012), "Estimation of remaining useful life of ball bearings using data driven methodologies," In Prognostics and Health Management (PHM), 2012 IEEE Conference on, IEEE, pp.1-7.
Wang T.(2012), "Bearing life prediction based on vibration signals: A case study and lessons learned". In Prognostics and Health Management (PHM), 2012 IEEE Conference on, IEEE, pp.1-7.
Yan W., Qiu H. and Iyer N.(2008), "Feature extraction for bearing prognostics and health management," (phm)-a survey (preprint) (No. AFRL-RX-WP-TP-2008-4309). AIR FORCE RESEARCH LAB WRIGHT-PATTERSON AFB OH MATERIALS AND MANUFACTURING DIRECTORATE.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.