[논문]상관계수 가중치를 이용한 베어링 수명예측 특징신호 추출

김석구; 임채영; 최주호

doi:10.7734/coseik.2018.31.1.63

초록
AI-Helper

베어링은 많은 회전체에서 사용되는 핵심부품으로, 예기치 않은 고장을 방지하기 위해 많은 연구가 집중되고 있다. 이때 중요한 것은 되도록 초기에 건전성 상태를 잘 나타내는 적절한 특징신호를 추출하는 것이다. 그러나 기존의 연구들은 주로 진단관점에서 특징신호를 추출하여 고장예지에는 적합하지 않은 측면이 있었다. 본 논문에서는 이러한 문제를 극복하기 위해 베어링 고장 주파수의 에너지와 시간 사이의 상관계수 가중 합을 이용하여 베어링 수명 예측에 용이한 특징신호를 추출하는 방법을 개발하였다. 그 결과 일반적으로 고장진단에서 많이 사용되고 있는 특징신호인 RMS에 비해서 결함 초기부터 단조로운 증가 경향의 특징신호를 추출함을 알 수 있었다. 이를 입증하기 위해서 NASA Ames에서 제공한 IMS bearing 진동 데이터를 이용하였고 제시한 특징신호와 일반적인 RMS와 의 거동을 비교하여 유효성을 검증하였다.

Abstract ▼ AI-Helper

Bearing is an essential component in many rotary machineries. To prevent its unpredicted failures and undesired downtime cost, many researches have been made in the field of Prognostics and Health Management(PHM), in which the key issue is to establish a proper feature reflecting its current health ...

Bearing is an essential component in many rotary machineries. To prevent its unpredicted failures and undesired downtime cost, many researches have been made in the field of Prognostics and Health Management(PHM), in which the key issue is to establish a proper feature reflecting its current health state properly at the early stage. However, conventional features have shown some limitations that make them less useful for early diagnostics and prognostics because it tends to increase abruptly at the end of life. This paper proposes a new feature extraction method using the envelope analysis and weighted sum with correlation coefficient. The developed method is demonstrated using the IMS bearing data given by NASA Ames Prognostics Data Repository. Results by the proposed feature are compared with those by conventional approach.

주제어

AI 본문요약
AI-Helper

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

문제 정의

예측과 건전성 관리 관점에서 특징신호 추출은 가장 중요한 단계 중 하나이다. 본 연구에서는 결함 주파수와 관련된 상관계수의 가중합을 이용, 베어링 수명예측에 용이한 특징신호 추출법에 대해 제안하였다. 또한 이를 단순한 시간영역 특징신호인 RMS와 비교하여 새로운 특징신호가 갖는 단조성과 초기 트렌딩의 관점에서의 좋은 성능을 검증하였다.
기계학습을 이용한 몇몇 사례들은 예지관점에서 특징신호를 제시했지만 이들은 물리적인 의미 부여가 어렵다는 단점이 있다. 본 연구에서는 베어링의 고장 예측에 적합한 새로운 특징신호를 추출하기 위한 적절한 기법을 제시하였으며, 이는 베어링 사용시간과 베어링 고장 주파수의 에너지 값 사이의 상관계수를 가중치로 사용하는 방법이다. 본 방법을 NASA Ames 연구소에서 제공한 IMS bearing data set에 적용하여 시간영역 특징 신호인 RMS와 예지 성능을 비교하였으며, 그 결과 RMS와 달리 비교적 초기에 고장까지의 결함 성장을 단조 증가 형태로 표현하는 특징신호를 확보할 수 있음을 입증하였다.

가설 설정

다음 단계는 Wavelet Packet Decomposition으로 식 (8), (9)에서와 같이 WPD를 이용하여 주파수 대역을 나누어 신호를 대역별로 분해하였다. 본 연구에서는 가능한 조기에 특징신호를 추출하기 위해서, 베어링의 초기 고장 상태에서 발생하는 신호는 시스템을 구성하는 다른 신호들에 비해서 작은 에너지를 발생시킬 것이라 가정하였다. 이를 위해서 분해된 신호 중 최소 에너지를 보이는 노드를 선택하였다.

제안 방법

본 논문에서는 고장예지에 적합한 특징신호를 추출하기 위해 세 가지 기법이 순차적으로 적용되는데 이는 각각 TKEO, WPD 및 포락선 분석이며 본 절에서 간략히 소개한다.

대상 데이터

본 연구에서는 NASA Ames에서 제시한 Intelligent Maintenance Systems(IMS) 베어링 데이터 세트를 이용하였다. 실험을 위해서 4개의 2열 베어링에 수평, 수직 방향으로 Fig.

데이터처리

그 어느 것이 되었든 RMS에 비해 고장발생 이전에 본 특징신호를 통해 사전 예지가 가능하다는 점에서 본 방법의 유효성과 가능성은 충분히 인정할만하다. 적용된 방법의 단조성을 정량적으로 평가하기 위하여 Tabel 1과 같이 특징신호와 사이클 간의 스피어만 상관계수 값을 계산하였다. 새로운 특징신호의 트렌드를 볼 때 단조증가하기 시작하는 지점을 육안으로 식별한후 이를 trigger point로 결정하였다.

이론/모형

일반적으로 진동신호의 에너지는 전체 시간의 적분으로 표현 되는 단일 값으로 나타내는데 이는 순간에너지의 평가에는 적합 하지 않다. 따라서 본 연구에서는 x(t)의 순간적인 에너지 변화를 효과적으로 나타내는 Teager-Kaiser Energy Operator (TKEO)를 사용하였으며, 이는 다음 식을 이용하여 계산된다.
넷째 단계는 Weighted Window 단계로 스펙트럼 내의 베어링 고장주파수를 중심으로 주변 주파수 대역을 정하여 Zhang 등(2011)과 같은 방법으로 가중에너지를 계산하는 것이다. 본 논문에서는 이를 위해 Blackman-Harris 가중 윈도우 함수를 사용하였으며, Fig.3에서 보듯 가중된 스펙트럼은 윈도우 함수와 포락선 스펙트럼을 곱하여 얻어진다. 그 결과 가중에너지는 이렇게 곱해진 결과에 대해 각 주파수에서의 제곱 합, 즉 적분으로 계산된다.

성능/효과

8이상이면 correlation이 강하다고 볼 수 있다 (Devore, 2011). RMS의 경우, correlation이 약하다고 볼 수 없지만 제안된 특징신호보다는 낮은 값을 가진다는 것을 확인 하였으며, 이는 새로운 특징신호가 더 좋은 단조경향을 보인다는 것을 의미한다. 특히 육안으로 두 신호를 비교할 경우 상관계수의 단순 크기차이만으로는 평가하기 어려운 부분이 있는데, RMS는 거의 변화가 없이 끝나거나 마지막에 갑자기 증가하는 반면 특징신호는 점진적 증가를 보이고 있다.
본 연구에서는 결함 주파수와 관련된 상관계수의 가중합을 이용, 베어링 수명예측에 용이한 특징신호 추출법에 대해 제안하였다. 또한 이를 단순한 시간영역 특징신호인 RMS와 비교하여 새로운 특징신호가 갖는 단조성과 초기 트렌딩의 관점에서의 좋은 성능을 검증하였다.
본 연구에서는 베어링의 고장 예측에 적합한 새로운 특징신호를 추출하기 위한 적절한 기법을 제시하였으며, 이는 베어링 사용시간과 베어링 고장 주파수의 에너지 값 사이의 상관계수를 가중치로 사용하는 방법이다. 본 방법을 NASA Ames 연구소에서 제공한 IMS bearing data set에 적용하여 시간영역 특징 신호인 RMS와 예지 성능을 비교하였으며, 그 결과 RMS와 달리 비교적 초기에 고장까지의 결함 성장을 단조 증가 형태로 표현하는 특징신호를 확보할 수 있음을 입증하였다.

후속연구

특히 육안으로 두 신호를 비교할 경우 상관계수의 단순 크기차이만으로는 평가하기 어려운 부분이 있는데, RMS는 거의 변화가 없이 끝나거나 마지막에 갑자기 증가하는 반면 특징신호는 점진적 증가를 보이고 있다. 본 연구에서는 trigger point를 육안으로 설정하여 계산하였지만 향후 연구 에서는 trigger point를 명확한 근거를 통해 선정하여 연구를 진행할 예정이다.
025 부근에서 고장이 발생하고 있다. 이것이 어떤 원리에 의한 것인지, 일반화할 수 있는지 등에 대해서는 추후 본 연구실의 시험기로 많은 베어링 고장시험을 통해 밝힐 예정이다. Fig.

질의응답

핵심어	질문	논문에서 추출한 답변
	베어링은 무엇인가?	베어링은 산업체에서 많이 이용되는 회전기계 시스템의 대표적인 핵심부품으로서 예기치 못한 베어링 고장은 시스템 전체의 다운타임(down-time) 및 경제적 손실을 가져올 가능 성이 존재한다. 이를 방지하기 위해 베어링의 고장을 진단하고 예측을 하는 연구가 매우 활발히 진행되고 있으며, 대표적 리뷰 논문으로 Jardine 등(2006)은 회전기계 시스템의 PHM에 대한 전반적인 절차와 관련 기법들에 대해서 서술하였다.
	정확한 베어링의 고장예측을 위해 중요한 것은 무엇인가?	정확한 베어링의 고장예측을 위해서는 결함의 심각도 수준을잘 표현하면서 고장 발생 시점까지 비교적 단조 증가 혹은 감소 경향을 보이는 특징신호를 추출하는 것이 중요하다. 그래야 이를 통해 고장까지의 잔존유효수명(RUL: remaining useful life) 을 이른 시간에 예측할 수 있다.
	고장 예지 및 건전성 관리 기술은 어떻게 구성되는가?	, 2012). PHM은 시스템에 장착된 센서로부터 취득한 데이터를 처리하는 신호처리(signal processing), 원신호로부터 시스템의 건전성을 반영하는 특징신호 추출(feature extraction), 고장 종류와 심각도를 추정하는 고장 진단 (diagnostics) 및 미래의 고장 시점을 예측하는 고장 예지 (prognostics)로 구성된다. 이중에서도 특징신호 추출은 이후의 고장 진단과 예지 성능에 직접적으로 영향을 미치는 중요한 단계로 간주되고 있다(Park et al.

참고문헌 (14)

An, D., Kim, N.H., Choi, J.H. (2012) A Comparison Study of Model Parameter Estimation Methods for Prognostics, J. Comput. Struct. Eng. Inst. Korea, 25(4), pp.355-362.
Devore, J.L. (2011) Probability and Statistics for Engineering and the Sciences. Cengage Learning, p.769.
Jardine, A.K., Lin, D., Banjevic, D. (2006) A Review on Machinery Diagnostics and Prognostics Implementing Condition-Based Maintenance, Mech. Syst. & Signal Proc., 20(7), pp.1483-1510.

상세보기
Lee, J., Qiu, H., Yu, G., Lin, J. (2007) Rexnord Technical Services, 'Bearing Data Set', IMS, University of Cincinnati, NASA Ames Prognostics Data Repository.
Li, H., Zheng, H. (2008) Bearing Fault Detection using Envelope Spectrum Based on EMD and TKEO, In Fuzzy Systems and Knowledge Discovery, FSKD'08. Fifth Int. Conf. on, 3, pp.142-146.
Park, S., Kim, J.W., Lee, C., Lee, J., Gil, H.B. (2012) Local Fault Detection Technique for Steel Cable using Multi-Channel Magnetic Flux Leakage Sensor, J. Comput. Struct. Eng. Inst. Korea, 25(4), pp.287-292.
Park, S., Choi, J.H. (2017) A Study on Fault Classification by EEMD Application of Gear Transmission Error, J. Comput. Struct. Eng. Inst. Korea, 30(2), pp.169-177.
Qiu, H., Lee, J., Lin, J., Yu, G. (2003) Robust Performance Degradation Assessment Methods for Enhanced Rolling Element Bearing Prognostics, Adv. Eng. Inform., 17(3), pp.127-140.

상세보기
Randall, R.B., Antoni, J. (2011) Rolling Element Bearing Diagnostics-A Tutorial. Mech. Syst. & Signal Proc., 25(2), pp.485-520.

상세보기
Siegel, D., Ly, C., Lee, J. (2012) Methodology and Framework for Predicting Helicopter Rolling Element Bearing Failure. IEEE Trans. Reliab., 61(4), pp.846-857.

상세보기
Tabrizi, A., Garibaldi, L., Fasana, A., Marchesiello, S. (2015) A Novel Feature Extraction for Anomaly Detection of Roller Bearings Based on Performance Improved Ensemble Empirical Mode Decomposition and Teager-Kaiser Energy Operator. Int. J. Progn Health Manage., 6(026), p.10.
Tobon-Mejia, D.A., Medjaher, K., Zerhouni, N., Tripot, G. (2011) Estimation of the Remaining Useful Life by using Wavelet Packet Decomposition and HMMs. In Aerospace Conf., 2011 IEEE, pp.1-10.
Zhang, B., Sconyers, C., Byington, C., Patrick, R., Orchard, M.E., Vachtsevanos, G. (2011) A Probabilistic Fault Detection Approach: Application to Bearing Fault Detection. IEEE Trans. Indus. Elect., 58(5).
Qiu, H., Lee, J., Lin, J., Yu, G. (2006) Wavelet Filter-Based Weak Signature Detection Method and its Application on Rolling Element Bearing Prognostics, J. Sound & Vib., 289(4), pp.1066-1090.

상세보기

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

[국내논문] 상관계수 가중치를 이용한 베어링 수명예측 특징신호 추출
Feature Extraction for Bearing Prognostics using Weighted Correlation Coefficient 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 상관계수 가중치를 이용한 베어링 수명예측 특징신호 추출 Feature Extraction for Bearing Prognostics using Weighted Correlation Coefficient 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

김석구 (3) 최주호 (64)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 상관계수 가중치를 이용한 베어링 수명예측 특징신호 추출
Feature Extraction for Bearing Prognostics using Weighted Correlation Coefficient 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper