[논문]CNN기반 정규화 리사주 도형을 이용한 전자식 밸브 고장진단알고리즘

박성미; 고재하; 송성근; 박성준; 손남례

doi:10.21289/ksic.2020.23.5.825

CNN기반 정규화 리사주 도형을 이용한 전자식 밸브 고장진단알고리즘
Fault Diagnosis Algorithm of Electronic Valve using CNN-based Normalized Lissajous Curve 원문보기

한국산업융합학회 논문집 = Journal of the Korean Society of Industry Convergence, v.23 no.5, 2020년, pp.825 - 833

박성미 (한국승강기대학교 승강기공학부) , 고재하 (녹색에너지연구원,에너지신산업연구실) , 송성근 (한국전자기술연구원, 에너지변환연구센터) , 박성준 (전남대학교 전기공학과) , 손남례 (호남대학교, 정보통신공학과)

Abstract ▼ AI-Helper

Currently, the K-Water uses various valves that can be remotely controlled for optimal water management. Valve system fault can be classified into rotor defects, stator defects, bearing defects, and gear defects of induction motors. If the valve cannot be operated due to a gear fault, the water management operation can be greatly affected. For effective water management, there is an urgent need for preemptive repairs to determine whether gear is damaged through failure prediction diagnosis.. Recently, deep learning algorithms are being applied for valve failure diagnosis. However, the method currently applied has a disadvantage of attaching a vibration sensor to the valve. In this paper, propose a new algorithm to determine whether a fault exists using a convolutional neural network (CNN) based on the voltage and current information of the valve without additional sensor mounting. In particular, a normalized Lisasjous diagram was used to maximize the fault classification performance in the CNN-based diagnostic system.

주제어

표/그림 (10)

그림 Fig. 1 Flow-chart of water treatment of Gongju purification plant
그림 Fig. 2 Equivalent circuit of induction motor
그림 Fig. 3 Speed and torque of induction motor
그림 Fig. 4 Voltage and current phasor diagram of an induction motor
그림 Fig. 5 Lissajous type according to phase
그림 Fig. 6 Lissajous data waveform
그림 Fig. 7 Proposed algorithm flow based on CNN
표 Table 1. Performance comparison of the proposed model
그림 Fig. 8 Accuracy and loss rate for kernel size(32 x 32) and epoch(30)
그림 Fig. 9 Accuracy and loss rate for kernel size(64 x 64) and epoch(30)

AI 본문요약
AI-Helper

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

문제 정의

따라서 기 설치된 밸브 시스템에서는 특히 추가적인 센서 취부 없이 밸브의 고장 진단을 할 수 있는 새로운 방법에 대한 요구가 급증하고 있다[7]. 본 논문에서는 추가적인 센서 취부 없이 밸브의 전압, 전류 정보를 기반으로 한 리사주도형 화면정보를 이용하여 CNN(Convolutional Neural Network)으로 고장여부를 판단하는 새로운 알고리즘을 제안한다. 특히, 본 논문에서의 전체적인 고장 진단은 신경회로망 CNN 기반의 진단 시스템에 고장 분류 성능을 극대화하기 위하여 정규화된 리사주도형을 사용하였다.
본 논문은 정수장의 밸브 고장 대부분을 차지하는 기어고장에서 데이터 취득이 어려운 밸브의 진동 신호를 사용하지 않고, 밸브고장 시 기 취득된 전압 및 전류를 기반으로 하여 정규화 된 리사주도형 데이터를 사용하는 새로운 CNN 고장진단 알고리즘을 제안하였다. 본 논문은 커널사이즈 및 epoch에 따라 6개 모델을 제시하였다.

제안 방법

이때 리사주도형은 유도전동기 전압, 전류의 40 주기의 데이터를 나타낸 것이다. 노이즈에 대한 대책으로는 2 [KHz] Cutoff 주파수를 갖는 버터워스 2차 Low Pass 필터를 사용하였다. 그림 6에서 알 수 있듯이 고장 밸브는 진동에 의한 전류리필로 인하여 리사주도의 폭이 정상 밸브의 상태보다 크게 나타남을 알 수 있다.
k-겹 교차 검증을 선택한 이유는 수집된 영상에 대한 과적합(overfitting) 방지 및 신뢰도를 확인하기 위한 것이다. 마지막으로 딥 러닝 중 영상처리에 성능이 우수한 CNN을 이용하여 고장진단을 판별하였다. 이때 제안한 방법은 TensorFlow[12]와 Keras[13]에서 제공하는 딥 러닝 라이브러리를 사용하여 구현하였다.

대상 데이터

본 논문에서 제안한 모델은 컨벌루션 사이즈(cs=32 × 32, 64 × 64)와 epoch(e=15, 20, 30)에 따라 총 6개(M1∼M6)이다.
본 논문에서 제안한 방법을 검증하기 위해 Intel Xeon (R) W-2133, 3.60GHz CPU 및 32 GB RAM이 장착된 서버에서 시뮬레이션을 했다. 본 논문에서 제안한 모델은 컨벌루션 사이즈(cs=32 × 32, 64 × 64)와 epoch(e=15, 20, 30)에 따라 총 6개(M1∼M6)이다.
첫째, 리사주도형 데이터파형의 영상은 정상 815개, 비정상 810개 총 1,625개를 수집하였다. 둘째, 수집된 영상은 k-겹 교차검증 (k-fold cross - validation)을 통하여 학습 80 [%]과 검증 20 [%]을 5회 동안 테스트 폴드를 바꾸어 가며 모든 폴드가 사용될 때까지 반복했다.

이론/모형

본 논문은 정수장의 밸브 고장 대부분을 차지하는 기어고장에서 데이터 취득이 어려운 밸브의 진동 신호를 사용하지 않고, 밸브고장 시 기 취득된 전압 및 전류를 기반으로 하여 정규화 된 리사주도형 데이터를 사용하는 새로운 CNN 고장진단 알고리즘을 제안하였다. 본 논문은 커널사이즈 및 epoch에 따라 6개 모델을 제시하였다. 제안된 방식을 모델에 시뮬레이션 한 결과, 평균적으로 정확도은 0.
마지막으로 딥 러닝 중 영상처리에 성능이 우수한 CNN을 이용하여 고장진단을 판별하였다. 이때 제안한 방법은 TensorFlow[12]와 Keras[13]에서 제공하는 딥 러닝 라이브러리를 사용하여 구현하였다.
본 논문에서는 추가적인 센서 취부 없이 밸브의 전압, 전류 정보를 기반으로 한 리사주도형 화면정보를 이용하여 CNN(Convolutional Neural Network)으로 고장여부를 판단하는 새로운 알고리즘을 제안한다. 특히, 본 논문에서의 전체적인 고장 진단은 신경회로망 CNN 기반의 진단 시스템에 고장 분류 성능을 극대화하기 위하여 정규화된 리사주도형을 사용하였다.

성능/효과

둘째, 5겹의 평균 정확도와 손실율인 경우, cs_32 × 32_e_30 모델은 cs_64 × 64_e_30 모델보다 성능이 우수하였다.
첫째, 리사주도형 데이터파형의 영상은 정상 815개, 비정상 810개 총 1,625개를 수집하였다. 둘째, 수집된 영상은 k-겹 교차검증 (k-fold cross - validation)을 통하여 학습 80 [%]과 검증 20 [%]을 5회 동안 테스트 폴드를 바꾸어 가며 모든 폴드가 사용될 때까지 반복했다. k-겹 교차 검증을 선택한 이유는 수집된 영상에 대한 과적합(overfitting) 방지 및 신뢰도를 확인하기 위한 것이다.
첫째, 일반적인 사진을 사용한 CNN 입력은 피사체의 거리와 각도에 따라 다양한 형상이 나타나므로 이를 구분하기 어려운 반면에 정규화 된 리사주도형 입력은 일정거리, 일정 각도를 갖는 사진으로 그 구분이 용이하다. 둘째, 일반적인 사진은 색깔에 대한 정보가 있는 반면에 리사주도형 입력은 흑백의 2진 정보로 단순하다. 또한 순시 전압, 전류 데이터를 사용하는 경우보다 리사주도형을 사용하는 경우 입력 데이터의 용량을 대폭 줄일 수 있다.
87)보다 상대적으로 높았다. 셋째, 한 개의 리사주도형데이터파형 영상에 대하여 고장진단 계산시간은 약 2 [ms] 이하 정도 소요되었다.
실험결과, 첫째, 2개 모델의 손실율과 정확도는 epoch가 15회 이전까지 5겹의 정확도와 손실율은 매우 불안정하다가 epoch가 20회 이후부터 정확도와 손실율이 안정되었다. 둘째, 5겹의 평균 정확도와 손실율인 경우, cs_32 × 32_e_30 모델은 cs_64 × 64_e_30 모델보다 성능이 우수하였다.
실험결과, 컨벌루션 사이즈가 32 × 32 이면서 epoch가 15일 때 손실률이 가장 낮으면서 정확도가 제일 높았고, 시뮬레이션 계산 시간이 최소로 성능이 가장 우수했다.
본 논문은 커널사이즈 및 epoch에 따라 6개 모델을 제시하였다. 제안된 방식을 모델에 시뮬레이션 한 결과, 평균적으로 정확도은 0.93 [%]와 손실율은 0.22 [%] 로 양호하게 나타났다. 또한 밸브 고장 시 2차적으로 나타나는 밸브의 전압, 전류 신호를 사용한 리사주도형 입력 CNN 고장진단 알고리즘은 추가적인 센서 취부 없이 기존 밸브 고장진단에 바로 적용할 수 있는 현실적인 장점을 가진다.
실험결과, 컨벌루션 사이즈가 32 × 32 이면서 epoch가 15일 때 손실률이 가장 낮으면서 정확도가 제일 높았고, 시뮬레이션 계산 시간이 최소로 성능이 가장 우수했다. 즉, 컨벌루션 사이즈 및 epoch 횟수가 증가할수록 시뮬레이션 계산시간이 증가하면서 정확도 및 손실율의 성능이 저하되었다.
CNN 입력용 리사주도형 데이터의 특징은 크게 2 가지로 분류할 수 있다. 첫째, 일반적인 사진을 사용한 CNN 입력은 피사체의 거리와 각도에 따라 다양한 형상이 나타나므로 이를 구분하기 어려운 반면에 정규화 된 리사주도형 입력은 일정거리, 일정 각도를 갖는 사진으로 그 구분이 용이하다. 둘째, 일반적인 사진은 색깔에 대한 정보가 있는 반면에 리사주도형 입력은 흑백의 2진 정보로 단순하다.

후속연구

이와 같이 많은 밸브를 사용하여 정수처리 자동화를 할 경우 한 개의 밸브가 정상동작을 하지 못하면 정수처리 시스템이 중단되는 문제점이 있다. 따라서 다양한 밸브에 대하여 밸브의 정상적인 동작유무를 점검할 수 있고, 고장을 예측할 수 있다면 선제적 수리에 의해 상시 정수처리 시스템을 운용할 수 있을 것이다. 밸브고장이 발생하는 경우 진동은 필수적으로 수반하게 된다.
여기서 진동, 속도신호를 사용하기 위해서는 별도의 센서를 취부 해야 하는 단점과 기존 데이터가 전무한 단점이 있다. 따라서 밸브에 추가적인 센서 취부 없이 고장진단을 위해서는 유도전도기 전류신호를 사용한 알고리즘 개발이 필요하다. 유도전동기 전류에 대하여 상세히 분석하기 위해 그림 2의 등가회로로부터 유도전동기의 전압, 전류 페이저도는 그림 4에 나타나 있다.

참고문헌 (13)

Park, Jae-Ho, Kim Jong-Hoon, Lee Gyeong-Bae, " A Case Study on Pressure Reducing Valve for Stability Assurance of Long Pipeline," KOREAN SOCIETY OF CIVIL ENGINEERS, 10, pp. 31-32, (2015).
Byung-Hoon Chung, Dae-Chul Shin, "A Development of the Algorithm to Detect the Fault of the Induction Motor Using Motor Current Signature Analysis," Transactions of the Korean Society for Noise and Vibration Engineering 14(8), pp. 675-683, (2004).
Lark-Kyo Kim, Jung-Hwan Lim, "Online Fault Diagnosis of Motor Using Electric Signatures," The transactions of The Korean Institute of Electrical Engineers 59(10), pp. 1882-1888, (2010).
Han Hyung-Seob, Cho Sang-Jin, Chong Ui-Pil, "Feature Vector Decision Method of Various Fault Signals for Neural-network-based Fault Diagnosis System," Transactions of the Korean Society for Noise and Vibration Engineering 20(11), pp. 1009-1017, (2010).
Dong-Jin Choi, Ji-Hoon Han, Hyeuong-Seob Kim, Min-joon Choi, Chan-woo Kwon, Sun-Ki Hong," Study on Motor Fault Diagnosis Considering Noise Disturbance Based on Machine Learning," The Korean Institute of Electrical Engineers, 10, pp. 29-30, (2018).
S. K.Hong, K. S.Kim, Y. H.Cho, I, H Ka, "A study on Application for Signal Acquisition and Analysis for Motor Fault Diagnosis" KIEE.IThe Transactions of the Korean Institute of Electrical Engineers, pp. 876-877, (2015).
W Sun, R Zhao, R Yan, S Shao and X Chen, "Convolutional Discriminative Feature Learning for Induction Motor Fault Diagnosis", IEEE Trans. on Industrial Informatics, Vol. 13, Issue:3, pp.1350-1359, (2017).
Jae-soo Lee, In-Ho Choi, Hong Kwon Eui, Hak-Yun Choi, Roh, Hee Jung, Ahn Jeongkeun, "An Efficient Water Pressure Measurement System of the Water Pipes using IoT," J. Korea Inst. Intell. Transp. Syst. vol. 17, no.1, pp. 114-122, (2018).
Park Chang-Ha, "Combination of In-circuit Test and Lissajous Pattern for Circuit Card Failure Analysis," Dept. of Avionics Engineering Graduate School of Aeronautics, Information and Industry,Hanseo University, (2020).
Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning," MIT Press. p. 326, (2016).
M.V. Valueva, N.N. Nagornov, P.A. Lyakhov, G.V. Valuev, N.I. Chervyakov, "Application of the residue number system to reduce hardware costs of the convolutional neural network implementation," Mathematics and Computers in Simulation, Elsevier, Vol.177, pp.232-243, (2020).

상세보기
Tensorflow.org: Deep Learning Library Developed by Google. Available online: https://www.tensorflow.org/ (accessed on 7 March (2020).
Keras.io: The Python Deep Learning Library. Available online: https://keras.io/ (accessed on 7 March (2020).

저자의 다른 논문 :

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