[논문]회전수가 변하는 기기의 고장진단에 있어서 특성 기반 분류와 합성곱 기반 알고리즘의 예측 정확도 비교

문기영; 김형진; 황세윤; 이장현

doi:10.5394/kinpr.2022.46.3.280

회전수가 변하는 기기의 고장진단에 있어서 특성 기반 분류와 합성곱 기반 알고리즘의 예측 정확도 비교
Comparison of Prediction Accuracy Between Classification and Convolution Algorithm in Fault Diagnosis of Rotatory Machines at Varying Speed 원문보기

한국항해항만학회지 = Journal of navigation and port research, v.46 no.3, 2022년, pp.280 - 288

문기영 (인하대학교 대학원) , 김형진 (인하대학교 대학원) , 황세윤 (인하대학교) , 이장현 (인하대학교 조선해양공학과)

초록
AI-Helper

본 연구는 정상 가동 중에도 회전수가 변하는 기기의 이상 및 고장 진단 방안을 다루고 있다. 회전수가 변함에 따라 비정상적 시계열 특성을 내포한 센서 데이터에 기계학습을 적용할 수 있는 절차를 제시하고자 하였다. 기계학습으로는 k-Nearest Neighbor(k-NN), Support Vector Machine(SVM), Random Forest을 사용하여 이상 및 고장 진단을 수행하였다. 또한 진단 정확성을 비교할 목적으로 이상 감지에 오토인코더, 고장진단에는 합성곱 기반의 Conv1D도 추가로 이용하였다. 비정상적 시계열로부터 통계 및 주파수 속성으로 구성된 시계열 특징 벡터를 추출하고, 추출된 특징 벡터에 정규화 및 차원 축소 기법을 적용하였다. 특징 벡터의 선택과 정규화, 차원 축소 여부에 따라 달라지는 기계학습의 진단 정확도를 비교하였다. 또한, 적용된 학습 알고리즘 별로 초매개변수 최적화 과정과 적층 구조를 설명하였다. 최종적으로 기존의 심층학습과 비교하여, 기계학습도 가변 회전기기의 고장을 정확하게 진단할 수 있는 절차를 제시하였다.

Abstract ▼ AI-Helper

This study examined the diagnostics of abnormalities and faults of equipment, whose rotational speed changes even during regular operation. The purpose of this study was to suggest a procedure that can properly apply machine learning to the time series data, comprising non-stationary characteristics as the rotational speed changes. Anomaly and fault diagnosis was performed using machine learning: k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), and Random Forest. To compare the diagnostic accuracy, an autoencoder was used for anomaly detection and a convolution based Conv1D was additionally used for fault diagnosis. Feature vectors comprising statistical and frequency attributes were extracted, and normalization & dimensional reduction were applied to the extracted feature vectors. Changes in the diagnostic accuracy of machine learning according to feature selection, normalization, and dimensional reduction are explained. The hyperparameter optimization process and the layered structure are also described for each algorithm. Finally, results show that machine learning can accurately diagnose the failure of a variable-rotation machine under the appropriate feature treatment, although the convolution algorithms have been widely applied to the considered problem.

주제어

표/그림 (17)

표 Table 1 Algorithms tried to anomaly detection and fault diagnosis
그림 Fig. 1 Overall procedure of autoencoder
그림 Fig. 2 Overall procedure of Conv1D
그림 Fig. 3 Schematic drawing of machinery fault simulator
그림 Fig. 4 Raw data of measured signal in (a) normal state and (b) horizontal misalignment state
그림 Fig. 5 STFT of measured data in each operating condition
그림 Fig. 6 Relative difference of Amplitude by fault mode
그림 Fig. 7 Features processed by Robust scaling (Upper) and Minmax scaling (Lower)
표 Table 2 Features extracted from MAFAULDA
표 Table 3 Grid search bound of each algorithm and feature vector
표 Table 4 Optimization result of hyper-parameter for each anomaly detection algorithm and feature vector
그림 Fig. 8 Histogram of reconstruction error of normal and anomaly samples
표 Table 5 Optimization result of hyper-parameter for each fault detection algorithm and feature vector
표 Table 6 Performance of machine learning in anomaly detection
표 Table 7 Performance of autoencoder-based anomaly detection model
표 Table 8 Performance of machine learning-based fault detection
표 Table 9 Layers of Conv1D applied to fault detection

참고문헌 (22)

Bartelmus, W., Chaari, F., Zimroz, R. and Haddar, M.(2010), "Modelling of gearbox dynamics under time-varying nonstationary load for distributed fault detection and diagnosis", European Journal of Mechanics-A/Solids, Vol. 29, No. 4, pp. 637-646.

상세보기
Breiman, L.(2001), "Random forests", Machine Learning, Vol. 45, No. 1, pp. 5-32.
Bui, D. T., Pradhan, B., Lofman, O., Revhaug, I., and Dick, O. B.(2012), "Application of support vector machines in landslide susceptibility assessment for the Hoa Binh province (Vietnam) with kernel functions analysis".
Chawla, N. V., Bowyer, K. W., Hall, L. O. and Kegelmeyer, W. P.(2002), "SMOTE: synthetic minority over-sampling technique", Journal of Artificial Intelligence Research, Vol. 16, pp. 321-357.

상세보기
Cover, T. and Hart, P.(1967), "Nearest Neighbor Pattern Classification", IEEE Transactions on Information Theory, Vol. 13, No. 1, pp. 21-27.

상세보기
de Lima, A. A. et al.(2013), "On fault classification in rotating machines using fourier domain features and neural networks", In 2013 IEEE 4th Latin American Symposium on Circuits and Systems (LASCAS), IEEE, pp. 1-4.
Faust, O., Hagiwara, Y., Hong, T. J., Lih, O. S. and Acharya, U. R.(2018), "Deep learning for healthcare applications based on physiological signals: A review", Computer methods and programs in biomedicine, Vol. 161, pp. 1-13.

상세보기
Feng, Z. and Liang, M.(2014), "Fault diagnosis of wind turbine planetary gearbox under nonstationary conditions via adaptive optimal kernel time-frequency analysis", Renewable Energy, Vol. 66, pp. 468-477.

상세보기
Kan, M. S., Tan, A. C. and Mathew, J.(2015), "A review on prognostic techniques for non-stationary and non-linear rotating systems", Mechanical Systems and Signal Processing, Vol. 62, pp. 1-20.

상세보기
Lee, J. H.(2021), "Experimental Study on Application of an Anomaly Detection Algorithm in Electric Current Datasets Generated from Marine Air Compressor with Time-series Features", Journal of the Korean Society of Marine Environment & Safety, Vol. 27, No. 1, pp. 127-134.
Li, W., Zhu, Z., Jiang, F., Zhou, G., and Chen, G.(2015), "Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method", Mechanical Systems and Signal Processing, Vol. 50, pp. 414-426.

상세보기
Liao, Y., Huang, R., Li, J., Chen, Z. and Li, W.(2020), "Deep semisupervised domain generalization network for rotary machinery fault diagnosis under variable speed", IEEE Transactions on Instrumentation and Measurement, Vol. 69, No. 10, pp. 8064-8075.

상세보기
Pestana-Viana, D., Zambrano-Lopez, R., de Lima, A. A., Prego, T. D. M., Netto, S. L. and da Silva, E. A.(2016), "The influence of feature vector on the classification of mechanical faults using neural networks", In 2016 IEEE 7th Latin American Symposium on Circuits & Systems (LASCAS), IEEE, pp. 115-118.
Qiao, M., Yan, S., Tang, X. and Xu, C.(2020), "Deep convolutional and LSTM recurrent neural networks for rolling bearing fault diagnosis under strong noises and variable loads", IEEE Access, Vol. 8, pp. 66257-66269.

상세보기
Refaeilzadeh, P., Tang, L. and Liu, H.(2009), "Cross-validation", Encyclopedia of database systems, Vol. 5, pp. 532-538.
Riaz, S., Elahi, H., Javaid, K. and Shahzad, T.(2017), "Vibration feature extraction and analysis for fault diagnosis of rotating machinery- a literature survey", Asia Pacific Journal of Multidisciplinary Research, Vol. 5, No. 1, pp. 103-110.
Tao, H., Wang, P., Chen, Y., Stojanovic, V. and Yang, H.(2020), "An unsupervised fault diagnosis method for rolling bearing using STFT and generative neural networks", Journal of the Franklin Institute, Vol. 357, No. 11, pp. 7286-7307.

상세보기
Verstraete, D., Ferrada, A., Droguett, E. L., Meruane, V. and Modarres, M.(2017), "Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings", Shock and Vibration, 2017.
Wang, B., Zhang, X., Xing, S., Sun, C. and Chen, X. (2021), "Sparse representation theory for support vector machine kernel function selection and its application in high-speed bearing fault diagnosis", ISA transactions, Vol. 118, pp. 207-218.

상세보기
Wang, S. H.(2019), "Partial Discharge Detection in Power Line using 1D Convolutional Neural Network", Hanyang University, Graduate school, Master thesis.
Xing, Z., Qu, J., Chai, Y., Tang, Q. and Zhou, Y.(2017), "Gear fault diagnosis under variable conditions with intrinsic time-scale decomposition-singular value decomposition and support vector machine", Journal of Mechanical Science and Technology, Vol. 31, No. 2, pp. 545-553.

상세보기
Yuan, Z., Zhang, L., Duan, L. and Li, T.(2018), "Intelligent fault diagnosis of rolling element bearings based on HHT and CNN", In 2018 Prognostics and System Health Management Conference (PHM-Chongqing), IEEE, pp. 292-296.

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