[논문]딥러닝을 통한 드론의 비정상 진동 예측

홍준기; 이양규

doi:10.7472/jksii.2021.22.3.67

초록
AI-Helper

본 논문에서는 드론의 추락을 예방하기 위해 드론의 프로펠러와 연결된 모터로부터 진동 데이터를 수집하고 순환 신경망(recurrent neural network, RNN)과 long short term memory (LSTM)을 사용하여 드론의 비정상 진동을 예측하는 연구를 진행하였다. 드론의 비정상 진동 데이터를 수집하기 위해 드론의 프로펠러와 연결된 모터에 진동 센서를 부착하여 정상, 바(bar) 손상, 로터(rotor) 손상, 축 휨에 대한 진동 데이터를 수집하고 LSTM과 RNN을 통해 비정상 진동을 예측한 결과의 평균 제곱근 오차 (root mean square error, RMSE) 값을 비교분석 하였다. 시뮬레이션 비교 결과, RNN과 LSTM을 통해 예측한 결과 모두 비정상 진동 패턴을 매우 정확하게 예측하는 것을 확인하였으며 LSTM을 통해 예측한 진동이 RNN을 통해 예측한 진동보다 RMSE값이 평균 15.4% 낮은 것을 확인하였다.

Abstract ▼ AI-Helper

In this paper, in order to prevent the fall of the drone, a study was conducted to collect vibration data from the motor connected to the propeller of the drone, and to predict the abnormal vibration of the drone using recurrent neural network (RNN) and long short term memory (LSTM). In order to col...

In this paper, in order to prevent the fall of the drone, a study was conducted to collect vibration data from the motor connected to the propeller of the drone, and to predict the abnormal vibration of the drone using recurrent neural network (RNN) and long short term memory (LSTM). In order to collect the vibration data of the drone, a vibration sensor is attached to the motor connected to the propeller of the drone to collect vibration data on normal, bar damage, rotor damage, and shaft deflection, and abnormal vibration data are collected through LSTM and RNN. The root mean square error (RMSE) value of the vibration prediction result were compared and analyzed. As a result of the comparative simulation, it was confirmed that both the predicted result through RNN and LSTM predicted the abnormal vibration pattern very accurately. However, the vibration predicted by the LSTM was found to be 15.4% lower on average than the vibration predicted by the RNN.

주제어

표/그림 (11)

그림 (그림 1) RNN 구조 (Figure 1) RNN structure
그림 (그림 2) LSTM 구조 (Figure 2) LSTM structure
그림 (그림 3) 제안한 진동 예측 모델의 순서도 (Figure 3) Flowchart of the proposed vibration prediction model
그림 (그림 4) 진동 데이터 수집을 위한 구성 (Figure 4) Configuration for collecting vibration data
표 (표 1) 시뮬레이션 환경 (표 1) Simulation environment
표 (표 2) RNN과 LSTM의 시뮬레이션 변수 값 (표 2) Simulation parameters of RNN and LSTM
그림 (그림 5) 수집된 진동 데이터 (Figure 5) Collected vibration data
표 (표 3) 드론 모터의 3가지 비정상 진동 유형 (Table 3) 3 types of abnormal vibration of the drone motor
그림 (그림 6) RNN을 통한 진동 예측 결과 (Figure 6) Vibration prediction result by RNN
그림 (그림 7) LSTM을 통한 진동 예측 결과 (Figure 7) Vibration prediction result by LSTM
표 (표 4) RNN과 LSTM의 R-Squared와 RMSE 값 비교 (표 4) Comparison of R-Squared and RMSE values of RNN and LSTM

AI 본문요약
AI-Helper

문제 정의

특히 미래에는 드론 택시, 드론 택배 등 많은 산업 분야에서 사용될 예정이기 때문에 드론 산업의 발전을 위해선 드론 추락을 예방하기 위한 기술 개발이 필수적이다. 본 논문서는 드론의 추락을 예측하기 위해 드론의 추락의원인 중 고장 빈도가 제일 잦은 모터의 진동으로부터 RNN과 LSTM을 사용하여 비정상적인 진동의 움직임을 예측하였다.
본 논문에서는 드론의 모터에서 수집된 진동 데이터를 바탕으로 비정상적인 움직임을 RNN과 LSTM을 통해 비정상 진동을 예측하는 연구를 진행하였다. 정상 진동 예측과 세 가지 비정상 진동 데이터를 사용하여 이상 탐지를 예측했다.

제안 방법

따라서 본 연구에서는 모터의 이상 예측을 위해 드론의 회전하는 모터로부터 진동 데이터를 수집하고 RNN과 LSTM을 통해 진동을 예측하고 두 기술을 통해 예측된 결과와 실제 진동값 사이의 RMSE 값을 비교하였다. 비정상 진동과 결과값을 비교하기 위해 드론의 프로펠러와 연결된 모터로부터 정상 진동과 3가지 비정상 진동을 수집하고 RNN과 LSTM을 사용하여 드론 모터의 정상, 비정상 진동을 예측하는 연구를 진행하였다.
본 연구에선 드론의 정상 진동을 예측하기 위해 드론의 모터로부터 정상, 그리고 세 가지 유형의 비정상 진동 데이터를 사용하여 드론의 비정상 진동을 예측했다. 표 3는 손상으로 인한 비정상 진동의 종류를 나타낸다.
따라서 본 연구에서는 모터의 이상 예측을 위해 드론의 회전하는 모터로부터 진동 데이터를 수집하고 RNN과 LSTM을 통해 진동을 예측하고 두 기술을 통해 예측된 결과와 실제 진동값 사이의 RMSE 값을 비교하였다. 비정상 진동과 결과값을 비교하기 위해 드론의 프로펠러와 연결된 모터로부터 정상 진동과 3가지 비정상 진동을 수집하고 RNN과 LSTM을 사용하여 드론 모터의 정상, 비정상 진동을 예측하는 연구를 진행하였다.
본 논문에서는 드론의 모터에서 수집된 진동 데이터를 바탕으로 비정상적인 움직임을 RNN과 LSTM을 통해 비정상 진동을 예측하는 연구를 진행하였다. 정상 진동 예측과 세 가지 비정상 진동 데이터를 사용하여 이상 탐지를 예측했다. 실험 결과로 LSTM을 활용해서 예측한 진동 값이 RNN을 통해 예측한 진동 값보다 RMSE값이 약 15.

대상 데이터

또한 그림 5 (a), (b), (c), (d)는 각각 정상 진동, 로터 바 손상, 로터 손상, 축 휨에 대한 진동 파형을 나타낸다. 수집된 진동 파형의 7, 000개의 타임 샘플은 파형의 진동 예측을 위해 사용된다.
수집한 진동 데이터를 사용하여 진동 예측을 위해 진동데이터는 Google Colaboratory Pro와 TensorFlow의 RNN과 LSTM을 통해 학습하고 진동을 예측한다. 아래 표 2는 시뮬레이션 환경을 나타낸다.
진동 데이터 수집을 위해 사용된 드론은 모터의 진동 이외의 다른 진동을 방지하기 위해 드론의 4개 프레임을 움직이지 않게 고정하였으며 모터에 진동 측정 센서를 부착하여 진동 데이터를 수집하였다.
표 3과 같이 정상 진동 데이터와 3가지 비정상 진동 데이터 수집을 위해 1, 205 revolution per minute (RPM) 으로회전하는 드론의 모터에 진동 센서를 부착하고 30초간 100 msec 주기로 진동 데이터를 샘플링하여 수집했다. 아래 그림 5는 정상 모터의 진동 데이터와 3가지 비정상 진동 그래프를 나타낸다.

데이터처리

RNN과 LSTM이 예측한 정확도의 차이를 확인하기 위해 두 기술이 예측한 진동 값과 실제 진동 값 사이의 RMSE 값을 비교 분석하였다. 예측된 진동 값과 실제 진동 값을 비교하기 위한 RMSE는 아래와 같이 정의할 수 있다.
Training Dataset에 저장된 데이터는 RNN과 LSTM를 통해 학습하고 미래 30%의 모터의 진동을 예측한다. 그림3 의 Prediction Result-1과 Prediction Result-2는 각각 RNN과 LSTM을 통해 예측된 진동 결과를 의미하며 실제 진동 값과의 차이를 비교하기 위해 Testing Dataset에 저장된 실제 진동 값 사이의 RMSE(root mean square error)를 비교한다.

성능/효과

정상 진동 예측과 세 가지 비정상 진동 데이터를 사용하여 이상 탐지를 예측했다. 실험 결과로 LSTM을 활용해서 예측한 진동 값이 RNN을 통해 예측한 진동 값보다 RMSE값이 약 15.4% 더 낮은 것을 확인하였다.

후속연구

또한 높은 정확도를 나타내는 LSTM을 통한 비정상 진동 감지 모델은 드론에 적용 가능한 진단시스템을 구성할 수 있는 것을 확인하였으며 향후 다양한 드론의 내외부의 환경변수를 고려하여 비정상 진동을 예측하는 연구를 진행할 예정이다.

참고문헌 (13)

관계부처 합동, 드론산업 발전 기본계획(안), 2017.
한국소비자원 안전감시국 제품안전팀, "드론 안전실태 조사결과" 2017.06
H.-S. Ko and K.-J. Kim, "Characterization of noise and vibration sources in interior permanent-magnet brushless DC motors," IEEE Transactions on Magnetics, vol. 40, no. 6, pp. 3482-3489, Nov. 2004. http://dx.doi.org/10.1109/TMAG.2004.832991.

상세보기
M. Tsypkin, "Induction motor condition monitoring: Vibration analysis technique - A practical implementation," 2011 IEEE International Electric Machines & Drives Conference (IEMDC), Niagara Falls, ON, 2011, pp. 406-411. http://dx.doi.org/10.1109/IEMDC.2011.5994629.
J. Zarei, J. Poshtan and M. Poshtan, "Bearing fault detection in induction motor using pattern recognition techniques," 2008 IEEE 2nd International Power and Energy Conference, Johor Bahru, 2008, pp. 749-753. http://dx.doi.org/10.1109/PECON.2008.4762564.
Y. K. Chaudhari, J. A. Gaikwad and J. V. Kulkarni, "Vibration analysis for bearing fault detection in electrical motors," 2014 First International Conference on Networks & Soft Computing (ICNSC2014), Guntur, 2014. pp. 146-150. http://dx.doi.org/10.1109/CNSC.2014.6906681
D. Xiao, Y. Huang, X. Zhang, H. Shi, C. Liu and Y. Li, "Fault Diagnosis of Asynchronous Motors Based on LSTM Neural Network," 2018 Prognostics and System Health Management Conference (PHM-Chongqing), Chongqing, 2018, pp. 540-545. http://dx.doi.org/10.1109/PHM-Chongqing.2018.00098.
D. Xiao, Y. Huang, C. Qin, H. Shi and Y. Li, "Fault Diagnosis of Induction Motors Using Recurrence Quantification Analysis and LSTM with Weighted BN," Shock and Vibration, vol. 2019. pp. 1-14, Jan. 2019. http://dx.doi.org//10.1155/2019/8325218

상세보기
T. Khan, P. Alekhya and J. Seshadrinath, "Incipient Inter-turn Fault Diagnosis in Induction motors using CNN and LSTM based Methods," 2018 IEEE Industry Applications Society Annual Meeting (IAS), Portland, OR, 2018, pp. 1-6. http://dx.doi.org/10.1109/IAS.2018.8544707.
Y. Luo, J. Qiu and C. Shi, "Fault Detection of Permanent Magnet Synchronous Motor Based on Deep Learning Method," 2018 21st International Conference on Electrical Machines and Systems (ICEMS), Jeju, 2018, pp. 699-703. http://dx.doi.org/10.23919/ICEMS.2018.8549129.
Y.-K. Lee, S.-C. Hong and J.-K. Hong, "LSTM-based Drone's Anomal Motor Vibration Detection System," Journal of Information Technology and Architecture, vol. 17, no. 4, pp. 315-321, Dec. 2020, http://dx.doi.org/10.22865/jita.2020.17.4.315
S. Hochreiter and J. Schmidhuber, "Long Short-Term Memory," Neural Comput. vol. 9, no. 8, pp. 1735-1780, Nov. 1997. https://www.bioinf.jku.at/publications/older/2604.pdf
D. P. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," in Proc. of 3rd International Conference for Learning Representations, San Diego, USA, May 2015. https://arxiv.org/abs/1412.6980

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

딥러닝을 통한 드론의 비정상 진동 예측
Deep Learning based Abnormal Vibration Prediction of Drone 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

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

딥러닝을 통한 드론의 비정상 진동 예측 Deep Learning based Abnormal Vibration Prediction of Drone 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

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

딥러닝을 통한 드론의 비정상 진동 예측
Deep Learning based Abnormal Vibration Prediction of Drone 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper