$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

스펙트로그램 이미지를 이용한 CNN 기반 자동화 기계 고장 진단 기법
CNN-based Automatic Machine Fault Diagnosis Method Using Spectrogram Images 원문보기

한국융합신호처리학회논문지 = Journal of the Institute of Convergence Signal Processing, v.21 no.3, 2020년, pp.121 - 126  

강경원 (동명대학교 정보통신소프트웨어공학과) ,  이경민 (동명대학교 학부교양대학)

초록
AI-Helper 아이콘AI-Helper

소리 기반 기계 고장 진단은 기계의 음향 방출 신호에서 비정상적인 소리를 자동으로 감지하는 것이다. 수학적 모델을 사용하는 기존의 방법은 기계 시스템의 복잡성과 잡음과 같은 비선형 요인이 존재하기 때문에 기계 고장 진단이 어려웠다. 따라서 기계 고장 진단의 문제를 딥러닝 기반 이미지 분류 문제로 해결하고자 한다. 본 논문에서 스펙트로그램 이미지를 이용한 CNN 기반 자동화 기계 고장 진단 기법을 제안한다. 제안한 방법은 기계의 결함 시 발생하는 주파수상의 특징 벡터를 효과적으로 추출하기 위해 STFT를 사용하였으며, STFT에 의해 검출된 특징 벡터들은 스펙트로그램 이미지로 변환하여 CNN을 이용해 기계의 상태별로 분류한다. 그 결과는 제안한 방법은 효과적으로 결함을 탐지할 뿐만 아니라 소리 기반의 다양한 자동 진단 시스템에도 효과적으로 활용될 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Sound-based machine fault diagnosis is the automatic detection of abnormal sound in the acoustic emission signals of the machines. Conventional methods of using mathematical models were difficult to diagnose machine failure due to the complexity of the industry machinery system and the existence of ...

주제어

#합성곱 신경망   #스펙트로그램   #단시간 푸리에 변환   #기계 고장진단   #심층 학습   #이미지 분류  

참고문헌 (16)

  1. J. Wan, S. Tang, D. Li, S. Wang, C. Liu, H. Abbas, A. V. Vasilakos, "A manufacturing big data solution for active preventive maintenance," IEEE Transactions on Industrial Electronics, vol. 13, no. 4, pp. 2039-2047, 2017. 

  2. Y. Lei, F. Jia, J. Lin, S. Xing, S. X. Ding, "An intelligent fault diagnosis method using unsupervised feature learning towards mechanical big data," IEEE Transactions on Industrial Electronics, vol. 63, no. 5, pp. 3137-3147, 2016. 

    상세보기

  3. J. Jiao, M. Zhao, J. Lin, K. Liang, "Hierarchical discriminating sparse coding for weak fault feature extraction of rolling bearings," Reliability Engineering & System Safety, vol. 184, pp. 41-54, 2019. 

    상세보기

  4. M. Zhao, X. Jia, "A novel strategy for signal denoising using reweighted SVD and its applications to weak fault feature enhancement of rotating machinery," Mechanical Systems and Signal Processing, vol. 94, pp. 129-147, 2017. 

    상세보기

  5. B. Robert, J. Antoni, "Rolling element bearing diagnostics," Mechanical System and Signal Processing, vol. 25, no. 2, pp. 485-520, 2011. 

  6. T. H. loutas, G. Sotiriades, I. kalaitzoglou, V. Kostopouls, "Condition monitoring of a single stage gearbox with artificially induced gear cracks utilizing on-line vibration and acoustic emission measurements," Applied Acoustics, vol. 70, issue 9, pp. 1148-1159, 2009. 

    상세보기

  7. C. Chen, B. Zhang, G. Vachtsevanos, M. Orchard, "Machine condition prediction based on adaptive neuro-fuzzy and high-order particle filtering," IEEE Trans. Industrial Electronics, vol. 58, issue 9, pp. 4353-4364, 2011. 

  8. Y. S. Wang, Q. H. Ma, Q. Zhu, L. Zhao, "An intelligent approach for engine fault diagnosis based on hibert-huang transform and support vector machine," Applied Acoustics, vol. 75, pp. 1-9, 2014. 

  9. M. Gan, C. Wang, C. A. Zhu, "Construction of hierarchical diagnosis network based on deep learning and its application in te fault pattern recognition of rolling element bearings," Mechanical Systems and Signal Processing, vol. 72-73, no. 11, pp. 7067-7075. 

  10. W. Sun, R. Zhao, R. Yan, S. Shao, X. Chen, "Convolutional discriminative feature learning for induction motor fault diagnosis," IEEE Transactions on Industrial Informatics, vol. 13, no. 3, pp. 1350-1359, 2017. 

    상세보기

  11. B. Sreejith, A. K. Verma, A. Srividya, "Fault diagnosis of rolling element bearing using time-domain features and neural networks," IEEE Region 10 and the Third International Conference on Industrial and Information Systems, pp. 1-6, 2009. 

  12. T. Ince, S. Kiranyaz, L. Eren, M. Askar, M. Gabbouj, "Real-time motor fault detection by 1D convolutional neural networks," IEEE Transactions on Industrial Electronics, vol. 63, no. 11, pp. 7067-7075, 2016. 

    상세보기

  13. P. K. Kankar, S. C. Sharma, S. P. harsha, "Fault diagnosis of ball bearings using machine learning methods," Expert Systems with Applications, vol. 38, issue 3, pp. 1876-1886, 2011. 

    상세보기

  14. D. Z. Li, W. Wang, F. Ismailm, "An enhanced bispectrum technique with auxiliary frequency injection for induction motor health condition monitoring," IEEE Transactions on Instrumentation & Measurement, vol. 64, no. 10, pp. 2679-2687, 2015. 

  15. J. D. Zheng, H. Y. Pan, X. L Qi, X. Q. Zhang, Q. Y. Liu, "Enhanced empirical wavelet transform based time-frequency analysis and its application to rolling bearing fault diagnosis," Acta Electronica Sinica, vol. 46, no. 2, pp. 358-364, 2018. 

    상세보기

  16. K. M. Lee, C. Vununu, K. S. Moon, S. H. Lee, K. R. Kwon, "Automatic machine fault diagnosis system using discrete wavelet transform and machine learning," Journal of Korea Multimedia Society, vol. 20, no. 8, pp. 1299-1311, 2017. 

    원문보기 상세보기

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로