[논문]전이 학습과 진동 신호를 이용한 설비 고장 진단 및 분석

윤종필; 김민수; 구교권; 신우상

doi:10.14372/iemek.2019.14.6.287

전이 학습과 진동 신호를 이용한 설비 고장 진단 및 분석
Fault Diagnosis and Analysis Based on Transfer Learning and Vibration Signals 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.14 no.6, 2019년, pp.287 - 294

윤종필 (Korea Institute of Industrial Technology) , 김민수 (Pohang University of Science and Technology) , 구교권 (Pohang University of Science and Technology) , 신우상 (Korea Institute of Industrial Technology, Kyungpook National University)

Abstract ▼ AI-Helper

With the automation of production lines in the manufacturing industry, the importance of real-time fault diagnosis of facility is increasing. In this paper, we propose a fault diagnosis algorithm of LM (Linear Motion)-guide based on deep learning using vibration signals. Generally, in order to guarantee the performance of the deep learning, it is necessary to have a sufficient amount of data, but in a manufacturing industry, it is often difficult to obtain enough data due to physical and time constraints. To solve this problem, we propose a convolutional neural networks (CNN) model based on transfer learning. In addition, the spectrogram image is input to the CNN to reflect the frequency characteristic of the vibration signals with time. The performance of fault diagnosis according to various load condition and transfer learning method was compared and evaluated by experiments. The results showed that the proposed algorithm exhibited an excellent performance.

주제어

표/그림 (8)

그림 그림 1. 전이학습을 이용한 고장진단 개요도 Fig. 1 Overview of fault diagnosis using transfer learning
그림 그림 2. 진동신호의 스펙트로그램 (a) 정상 상태 (b) 고장 상태 Fig. 2 Spectrogram of vibration signals (a) normal state (b) fault state
그림 그림 3. 고장 진단을 위한 딥러닝 모델 구조 Fig. 3 Deep learning model for fauls diagnosis
그림 그림 4. 실험에 사용된 LM 가이드와 부착된 진동 센서 Fig. 4 The LM Guide and vibration sensor used in the experiment
그림 그림 5. 학습이 진행되는 동안의 학습 데이터와 검증 데이터의 정확도 (a) 방법 1 (b) 방법 2 Fig. 5 Accuracy of training and validation data during learning (a) condition 1 (b) condition 2
그림 그림 6. 특징 활성화맵 생성을 위한 네트웍 구조 Fig. 6 Network structure for generation of feature activation map
그림 그림 7. 실험 결과 영상 Fig. 7 Result images for visualization
표 표 1. 전이 학습 방법에 따른 실험 결과 Table 1. Experimental results according to transfer learning method

AI 본문요약
AI-Helper

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

문제 정의

하지만 이런 깊은 구조를 학습시킬 충분한 양의 데이터가 있어야 한다. 본 논문과 같이 충분한 양의 데이터 확보가 어려운 고장 진단의 경우 이러한 문제를 해결하기 위해 전이학습을 이용한 딥러닝 모델 개발을 제안한다.전이학습은 목표로 하는 분야 (target domain)의 딥러닝 모델의 성능을 높이기 위해 비교적 데이터가 많은 분야 (source domain)에서 잘 학습된 딥러닝 모델의 정보를 이용하는 방법이다.
본 논문에서는 딥러닝 기반의 진동신호를 이용한 LM 가이드의 고장 진단 알고리즘을 제안하였다. 고장을 진단하기 위해 진동신호를 시간-주파수로 분석할 수 있는 스펙트로그램을 딥러닝의 입력으로 이용하였다.
본 연구는 진동 신호를 이용한 딥러닝 기반 LM 가이드 (Linear Motion guide)의 고장 진단 기술에 대해 다룬다. LM 가이드는 구름접촉을 갖는 이송시스템의 핵심요소로써 블록 내부의 볼이 효율적으로 무한 순환 운동을 하도록 도와주는 직선 운동 장치이다.
하지만 물리적, 시간적 제약으로 고장 데이터를 확보하기가 쉽지 않다. 본 연구에서는 전이학습 (transfer learning)을 이용한 CNN (Convolutional Neural Networks) 기반 딥러닝 모델을 제안한다. 많은 양의 영상데이터를 분류할 수 있도록 충분히 학습된 VGG [15] 모델을 기반으로 전이학습을 적용하여 적은 양의 고장데이터로도 성능이 우수한 딥러닝 모델을 개발한다.

제안 방법

1차원 진동 신호에서 효과적으로 특징을 추출하고, 2차원 영상 신호에서 미리 학습된 VGG 모델에 전이학습을 용이하게 하기 위해 시간-주파수 분석 기법 중 STFT를 이용하여 스펙트로그램 영상을 생성한다. STFT는 푸리에변환의 단점인 시간에 따른 신호 변화를 반영하기 어렵다는 것을 보완하기 위해 제안되었다.
이 논문에서 제안하는 딥러닝을 이용한 진동 신호 기반의 LM Guide 고장 진단은 그림 1과 같다. 1차원의 진동 신호를 STFT를 이용하여 시간-주파수 분석 결과인 2차원의 스펙트로그램을 생성한다. 스펙트로그램은 특징 추출과 고장 진단을 다른 부가적인 신호처리 방법 없이 동시에 수행할 수 있는 딥러닝 모델에 입력된다.
고장을 진단하기 위해 진동신호를 시간-주파수로 분석할 수 있는 스펙트로그램을 딥러닝의 입력으로 이용하였다. CNN 기반의 깊은 인공신경망을 빠르게 학습하고 진단 성능을 높이기 위해 전이학습 기반의 딥러닝 학습 기법을 제안하였다. 전이학습은 VGG 기반의 영상 분류 모델을 이용하여 특징추출기와 분류기를 선택적으로 학습하였고, 성능을 비교 평가하여 가장 우수한 성능을 가지는 전이학습 방법을 적용하였다.
본 논문에서는 딥러닝 기반의 진동신호를 이용한 LM 가이드의 고장 진단 알고리즘을 제안하였다. 고장을 진단하기 위해 진동신호를 시간-주파수로 분석할 수 있는 스펙트로그램을 딥러닝의 입력으로 이용하였다. CNN 기반의 깊은 인공신경망을 빠르게 학습하고 진단 성능을 높이기 위해 전이학습 기반의 딥러닝 학습 기법을 제안하였다.
다양한 환경에서도 강건한 고장진단 알고리즘의 성능을 평가하기 위해 정격 하중을 고려하여 200, 400, 500kg의 부하 조건에 대해서 실험을 진행하였다. 가속도 센서는 측정 범위가 14g, 전압 감도 490±10% mV/g를 사용하였다.
전이학습은 VGG 기반의 영상 분류 모델을 이용하여 특징추출기와 분류기를 선택적으로 학습하였고, 성능을 비교 평가하여 가장 우수한 성능을 가지는 전이학습 방법을 적용하였다. 또한 시각화 방법을 이용하여 딥러닝의 동작을 분석하였다. 다양한 부하 조건하에서 제안한 알고리즘을 실험하여 우수한 성능을 확인할 수 있었다.
본 연구에서는 전이학습 (transfer learning)을 이용한 CNN (Convolutional Neural Networks) 기반 딥러닝 모델을 제안한다. 많은 양의 영상데이터를 분류할 수 있도록 충분히 학습된 VGG [15] 모델을 기반으로 전이학습을 적용하여 적은 양의 고장데이터로도 성능이 우수한 딥러닝 모델을 개발한다. 딥러닝의 입력은 1차원 진동 신호의 주파수 특징을 효과적으로 보기 위해 STFT (Short Time Fourier Transform) 기반의 스펙트로그램을 이용한다.
본 연구에서는 LM 가이드의 고장진단을 위해 진동센서를 부착하여 1차원 진동신호를 획득한다. 획득된 진동 신호를 분석하고 고장 여부를 판단하기 위해 스스로 최적의 특징을 추출하고 분류하는 데이터 기반 고장진단 기술 중 하나인 딥러닝 기반 고장 진단 알고리즘을 개발한다.
실험은 여러 부하 조건에 대해 다양하게 실시하였고, 내부 특징 맵 시각화 (feature map visualization) 기술을 이용하여 딥러닝 모델의 동작을 심층 분석하였다.
즉 고장 진단 모델인 f_t는 입력 X_t 를 소스 모델의 특징추출기인θ_tf=θ_sf 또는θ_tf 와 고장 진단을 위한 분류기 θ_tc를 이용하여 Y_t를 출력한다. 이 논문에서는 두 방법에 대해 모두 실험을 통해 성능 비교를 진행한다.
전이학습은 목표로 하는 분야 (target domain)의 딥러닝 모델의 성능을 높이기 위해 비교적 데이터가 많은 분야 (source domain)에서 잘 학습된 딥러닝 모델의 정보를 이용하는 방법이다. 이 논문에서는 이미지넷 대회의 분류 문제에 대해 1백만장이 넘는 데이터로 학습된 VGG-19 모델를 이용하여 전이학습을 한다. VGG-19 모델은 16개의 합성곱층으로 이루어진 특징추출기와 3개의 완전연결층으로 이루어진 분류기로 크게 나눌 수 있다.
딥러닝을 이해하기 위한 시도는 다양하게 연구되고 있다 [18-22]. 이 논문에서는 최근 시각화 기술 중 비교적 구현이 간단하면서도 시각화 성능이 우수한 VisualBackProp [18]을 응용하여 시각화를 수행한다.
CNN 기반의 깊은 인공신경망을 빠르게 학습하고 진단 성능을 높이기 위해 전이학습 기반의 딥러닝 학습 기법을 제안하였다. 전이학습은 VGG 기반의 영상 분류 모델을 이용하여 특징추출기와 분류기를 선택적으로 학습하였고, 성능을 비교 평가하여 가장 우수한 성능을 가지는 전이학습 방법을 적용하였다. 또한 시각화 방법을 이용하여 딥러닝의 동작을 분석하였다.
평가를 위해 모델은 검증 데이터에서 정확도가 가장 우수한 경우로 선정을 한 후 평가를 진행하였다. 즉 방법 1의 경우는 최대 검증 정확도가 95.
본 연구에서는 LM 가이드의 고장진단을 위해 진동센서를 부착하여 1차원 진동신호를 획득한다. 획득된 진동 신호를 분석하고 고장 여부를 판단하기 위해 스스로 최적의 특징을 추출하고 분류하는 데이터 기반 고장진단 기술 중 하나인 딥러닝 기반 고장 진단 알고리즘을 개발한다. 딥러닝을 이용하여 고장진단 알고리즘 개발 시 딥러닝을 충분히 학습시킬 많은 양의 데이터가 필요하다.

대상 데이터

고장은 LM 가이드의 특정 열이 파손된 상태이다. 데이터는 학습 (Training) : 검증 (Validation) : 평가 (Test) = 240 : 96 : 144 개로 나누어 진행하였다.
LM 가이드의 이동 속도는 100mm/s 이고 이동 거리는 500mm이다. 진동센서를 그림 4와 같이 부착하여 반복실험을 통하여 240개의 정상 데이터와 240개의 고장 데이터를 획득하였다. 신호는 0.

이론/모형

딥러닝 기반 고장 진단 모델의 동작을 이해하고 최종 출력에 영향을 미치는 입력 영상의 구성 요소를 분석하기 위해 시각화 (Visualization) 기술을 적용한다. 딥러닝을 이해하기 위한 시도는 다양하게 연구되고 있다 [18-22].
많은 양의 영상데이터를 분류할 수 있도록 충분히 학습된 VGG [15] 모델을 기반으로 전이학습을 적용하여 적은 양의 고장데이터로도 성능이 우수한 딥러닝 모델을 개발한다. 딥러닝의 입력은 1차원 진동 신호의 주파수 특징을 효과적으로 보기 위해 STFT (Short Time Fourier Transform) 기반의 스펙트로그램을 이용한다. STFT는 시간 영역의 1차원 진동신호를 비교적 간단한 방법으로 효과적으로 시간-주파수 공간으로 변환이 가능하다.
f는 활성함수이다 [7]. 이 논문에서는 식 3과 같이 기울기값이 사라지는 문제를 효과적으로 피하기 위해 ReLU 활성 함수를 이용한다.
학습은 전이학습을 이용하여 분류기의 가중치만 갱신하는 방법 1과 전체 가중치 미세조정하여 학습하는 방법 2를 이용하였고, 손실함수는 크로스엔트로피 (Cross entropy), 최적화 기법은 Adam-optimizer를 적용하였다.

성능/효과

또한 시각화 방법을 이용하여 딥러닝의 동작을 분석하였다. 다양한 부하 조건하에서 제안한 알고리즘을 실험하여 우수한 성능을 확인할 수 있었다.
혼동행렬 결과를 이용하여 정밀도, 재현율, 정확도를 각각 계산할 수 있다. 방법 1은 94.4%의 정밀도, 89.5%의 재현율, 그리고 91.7%의 정확도를 가지는 반면에, 방법 2는 3가지 지표 모두 100%의 우수한 성능을 나타내었다.
실험 결과와 같이 제안한 전이학습을 이용한 딥러닝 기반 고장진단 기술은 다양한 부하 조건에도 우수한 성능을 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트 팩토리의 정의는?	최근 인공지능과 정보통신기술의 발전으로 스마트 팩토리 구축에 대한 관심이 더욱 증가하고 있다. 스마트 팩토리의 정의는 다양하게 있지만 일반적으로 제조공장의 인적 물적 자원을 최적화하여 제품의 기획, 설계, 생산, 유통, 판매 등 전 생산과정을 정보통신기술로 통합하고 고객의 요구에 기반한 제품 생산이 실시간으로 적용되는 진화된 공장을 의미 한다 [1]. 스마트 팩토리 구성 요소 중 설비 상태의 실시간 진단은 갑작스러운 조업 중단에 따른 사회적, 경제적 손실을 예방할 수 있는 중요한 기술이다.
	기존에는 고장 상태와 정상 상태를 구분할 수 있는 특징을 추출하기 위해서 어떻게 하였는가?	데이터 기반 방법에서는 고장 상태와 정상 상태를 구분할 수 있는 특징을 추출하는 것이 중요하다. 기존에는 통계적 분석, 푸리에 주파수 분석 [8], 웨이블렛 변환 [9] 등의 신호 처리 기술과 연구자들의 경험적 지식 (domain knowledge)에 의존하여 특징을 추출하였다 [10]. 하지만 이러한 방법은 설비에 따라 특징 추출 알고리즘도 다르게 개발되어야 하고 다양한 동작 상태에 따른 설비의 특성을 효과적으로 반영하기가 쉽지 않다.
	물리적 고장 모델 기반의 방법의 장단점은?	첫 번째는 모델기반 방법 (model based approach) [2, 3]. 물리적 고장 모델 기반의 방법은 정확도가 높고 적은 양의 데이터로도 고장 진단이 가능하지만 해석이 복잡한 대상에 대해서는 실제 고장 메커니즘을 파악하기 어려운 문제점이 있다 [4]. 두 번째는 데이터 기반 방법 이다 (data-driven approach)이다 [5, 6].

참고문헌 (22)

R&D Information Center, Smart Factory Construction Technology / Analysis of Market Prospect, Knowledge Industry Information Institute, 2016 (in Korean).
J. Chen, R.J. Patton, "Robust Model-based Fault Diagnosis for Dynamic Systems," in the International Series on Asian studies in Computer and Information Science, Vol. 3, K. Cai, Ed. New York, NY, USA: Springer, 1990.
Z. Gao, C. Cecati, S.X. Ding, "A Survey of Fault Diagnosis and Fault-tolerant Techniques - Part 1 : Fault Diagnosis with Model-based and Signal-based Approaches," Journal of IEEE Transsactions on Industrial Electronics, Vol. 62, No. 6, pp. 3757-3767, 2015.

상세보기
J.H. Choi, D. An, J.H. Gang, "A Survey on Prognostics and Comparison on the Model-based Prognostics," Journal of Institute of Control, Robotics and Systems, Vol. 17, No. 11, pp. 1095-1100, 2011 (in Korean).

원문보기 상세보기
J.Rafiee, M.A.Rafiee, P.W. Tse, "Application of Mother Wavelet Functions for automatic Gear and Bearing Fault diagnosis," Journal of Expert Systems with Applications, Vol. 37, No. 6, pp. 4568-4579, 2010.

상세보기
P. Konar, P. Chattopadhyay, "Bearing Fault Detectin of Induction Motor Using Wavelet and Support Vector Machines (SVMs)," Journal of Applied Soft Computing, Vol. 11, No. 6, pp. 4203-4211, 2011.

상세보기
M. Zhao, M. Kang, B. Tang, M.Pecht, "Deep Residual Networks with Dynamically Weighted wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes," Journal of IEEE Transactions on Industrial Electronics, Vol. 65, No. 5, pp. 4290-4300, 2018.
N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shih, Q. Zheng, N.-C. Yen, C.C. Tung, H.H. Liu, "The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis," Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, Vol. 454, No. 1971, pp. 903-995, 1998.

상세보기
R. Yan, R.X. Gao, X. Chen, "Waelets for Fault Diagnosis of Rotary Machines: A Review with Applications," Proceedings of Signal Processing, Vol. 96, pp. 1-15, 2014.

상세보기
D. You, X. Gao, S. Katayama, "WPD-PCA-based Laser Welding Process Monitoring and Defects Diagnosis by Using FNN and SVM," Journal of IEEE Transactions on Industrial Electronics, Vol. 62, No. 1, pp. 628-638, 2015.

상세보기
T. Ince, S. Kiranyaz, L. Eren, M. Askar, M. Gabbouj, "Real-time Motor Fault Detection by 1-D Convolutional Neural Networks," Journal of IEEE Transactions on Industrial Electronics, Vol. 53, No. 11, pp. 7067-7075, 2016.
R. Liu, G. Meng, B. Yang, C. Sun, X. Chen, "Dislocated Time Series Convolutional Neural Architecture: an Intelligent Fault Diagnosis Approach for Electric Machine," Journal of IEEE Transactions on Industrial informatics, Vol. 13, No. 3, pp. 1310-1320, 2017.

상세보기
K.J. Oh, G. Khim, C.H. Park, S.C. Chung, "Formulation of Friction Forces in LM Ball Guides," Journal of Transactions of the Koren Society of Mechanical Engineers A, Vol. 40, No. 2, pp. 199-206, 2016 (in Korean).

원문보기 상세보기
Win Gi Lee, Moon G. LLee, Woo Jin Kim, Sung-Ho Nam, Bo-Hyun Kim, "Analysis of Vibration for Fault Diagnosis of Linearly Reciprocating Machinery," Proceedings of Korean Society for Precision Engineering 2011 Autumn Conference, pp. 451-452, 2011 (in Korean).
K. Simonyan, A. Zisserma, "Very Deep Convolutional Networks for Large-scale Image Recognition," In International Conference on Learning Representations, 2015.
H. Liu, L. Li, J. Ma, "Rolling Bearning Fault Diagnosis based on STFT-Deep Learning and Sound Signal," Journal of Mechanical Engineering, Vol. 30, No. 6, pp. 1357-1368, 2017.
I. Goodfellow, T. Bengio, A. Courville, Deep learning, Cambridge, MA, USA:MIT, 2016.
M. Bojarski, A. Choromanska, K. Choromanski, B. Firner, L. Jackel, U. Muller, K. Zieba, "VisualBackProp: Efficient Visualization of CNNs," arXiv:1611.05418, 2016.
M.D. Zeiler, R. Fergus, "Visualizing and Understanding Convolutional Networks," Proceedings of European Conference on Computer Vision, pp. 818-833, 2014.
J.T. Springenberg, A. Dosovitskiy, T. Brox, M. Riedmiller, "Striving for Simplicity: the all Convolutional net," International Conference on Learning Representations, 2015.
B. Zhou, A. Khosla, A. Lapedriza, A. Oliva, A. Torralba, "Learning Deep Features for Discriminative Localization," Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 2921-2929, 2016.
R.R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, D. Batra, "Learning Deep Features for Discriminative Localization," Proceedings of IEEE Conference on Computer Vision, pp. 2921-2929, 2016.

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