[논문]생산 공정에서 CNN을 이용한 음향 PSD 영상 기반 공구 상태 진단 기법

이경민

doi:10.6109/jkiice.2022.26.7.981

생산 공정에서 CNN을 이용한 음향 PSD 영상 기반 공구 상태 진단 기법
Sound PSD Image based Tool Condition Monitoring using CNN in Machining Process 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.7, 2022년, pp.981 - 988

이경민 (Department of Computer Engineering, Silla University)

초록
AI-Helper

정보통신기술(ICT)를 적용한 스마트팩토리로 불리는 지능형 생산 공장은 각종 센서를 통해 공정 데이터를 실시간으로 수집하고 있다. 이렇게 수집된 데이터를 효과적으로 활용하는 연구가 많이 진행되고 있는데, 본 논문에서는 생산 공정에서 발생되는 음향 신호를 기반으로 공구 상태를 진단하는 기법을 제안한다. 첫 번째로 결함이 있는 공구를 감지할 뿐만 아니라 공회전 및 공정 운용에 따른 다양한 공구 상태를 제시한다. 두 번째로 푸리에 분석을 이용하여 사운드의 전력스펙트럼을 영상으로 표현하고, 데이터에 숨겨진 건강한 패턴을 드러내고, 강조하기 위해 일부 변형을 적용한다. 마지막으로 이렇게 획득한 대비 강화된 PSD 영상은 CNN을 이용해 상태별로 진단한다. 그 결과 제안한 음향 PSD 영상 + CNN 방법은 데이터의 차별화된 특징이 잘 반영되어 공구 상태에 따른 높은 진단 결과를 보여준다.

Abstract ▼ AI-Helper

The intelligent production plant called smart factories that apply information and communication technology (ICT) are collecting data in real time through various sensors. Recently, researches that effectively applying to these collected data have gained a lot of attention. This paper proposes a method for the tool condition monitoring based on the sound signal generated in machining process. First, it not only detects a fault tool, but also presents various tool states according to idle and active operation. The second, it's to represent the power spectrum of the sounds as images and apply some transformations on them in order to reveal, expose, and emphasize the health patterns that are hidden inside them. Finally, the contrast-enhanced PSD image obtained is diagnosed by using CNN. The results of the experiments demonstrate the high discrimination potential afforded by the proposed sound PSD image + CNN and show high diagnostic results according to the tool status.

주제어

표/그림 (10)

그림 Fig. 1 The schematic representation of the proposed method
그림 Fig. 2 Machine working condition
그림 Fig. 3 Example of the data samples collected for the experiments, each data has a length of 500 milliseconds
그림 Fig. 4 Example of power spectrum density, and its 8bit normalized image
그림 Fig. 5 Example of applying logarithmic scale representation of the power spectrum, and its resulting image
그림 Fig. 6 Confusion matrix of the classification results
그림 Fig. 7 Visualization of the first three principal components from the first fully connected layer
표 Table. 1 Architecture of the CNN
그림 Fig. 8 Visualization of the first three principal components from the second fully connected layer
표 Table. 2 Results of the conventional and proposed method

참고문헌 (17)

H. D. Jeong, S. H. Kim, S. H. Woo, S. H. Kim, and S. C. Lee, "Real-Time Monitoring System for Rotating Machinery with IoT-based Cloud Platform," Transactions of the Korean Society of Mechanical Engineers, vol. 41, no. 6, pp. 517-524, Jun. 2017.
K, Patra, A. K. Jha, T. Szalay, J. Ranjan, and L. Monostori, "Artificial Neural Network Based Tool Condition Monitoring in Micro Mechanical Peck Drilling Using Thrust Force Signals," Precision Engineering, vol. 48, pp. 279-291, Apr. 2017.

상세보기
B. H. Park, Y. J. Lee, and C. W. Lee, "Tool Condition Monitoring Using Deep Learning in Machining Process," Journal of the Korean Society for Precision Engineering, vol. 37, no. 6, pp. 415-420, Jun. 2020.

상세보기
X. Yang, J. S. Lee, and H. K. Jung, "Fault Diagnosis Management Model using Machine Learning," Journal of Information and Communication Convergence Engineering, vol. 17, no. 2, pp. 128-134, Jun. 2019.

원문보기 상세보기
D. H. Kim, J. M. Lee, and J. D. Kim, "Design and Implementation of a Real-Time Product Defect Detection System based on Artificial Intelligence in the Press Process," Journal of the Korea Institute of Information and Communication Engineering, vol. 25, no 9, pp. 1144-1151, Sep. 2021.
A. V. Atli, O. Urhan, S. Erturk, and M. Sonmez, "A computer vision-based fast approach to drilling tool condition monitoring," in Proceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture, London, U.K, vol. 220, no. 9, pp. 1409-1415, Sep. 2006.
P. K. Kankar, S. C. Sharma, and S. P. Harsha, "Fault diagnosis of ball bearings using machine learning methods," Expert Systems with Applications, vol. 38, no. 3, pp. 1876-1886, Mar. 2011.

상세보기
M. Saimurugan and K. I. Ramachandran, "A comparative study of sounds and vibration signals in detection of rotating machine faults using support vector machine and independent component analysis," International Journal of Data Analysis Techniques and Strategies, vol. 6, no. 2, pp. 188-204, Jun. 2014.
Y. S. Wang, Q. H. Ma, Q. Zhu, X. T. Liu, and L. H. Zhao, "An intelligent approach for engine fault diagnosis based on Hilbert-Huang transform and support vector machine," Applied Acoustics, vol. 75, pp. 1-9, Jan. 2014.

상세보기
K. -M. Lee, C. Vununu, K. -S. Moon, S. -H. Lee, and 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, Aug. 2017.

원문보기 상세보기
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, pp. 436-444, May. 2015.
F. Jia, Y. Lei, J. Lin, X. Zhou, and N. Lu, "Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data," Mechanical Systems and Signal Processing, vol. 72-73, pp. 303-315, May. 2016.
D. Verstraete, A. Ferrada, E. L. Droguett, V. Meruane, and M. Modarres, "Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings," Shock and Vibration, vol. 2017, pp. 1-17, Oct. 2017.

상세보기
M. Zhao, M. Kang, B. Tang, and M. Pecht, "Deep Residual Networks With Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes," IEEE Transactions on Industrial Electronics, vol. 65, no. 5, pp. 4290-4300, May. 2018.

상세보기
C. Lu, Z. Wang, and B. Zhou, "Intelligent Fault Diagnosis of Rolling Bearing Using Hierarchical Convolutional Network based Health State Classification," Advanced Engineering Informatics, vol. 32, pp. 139-151, Apr. 2017.

상세보기
S. Guo, T. Yang, W. Gao, C. Zhang, and Y. Zhang, "An Intelligent Fault Diagnosis Method for Bearings with Variable Rotating Speed based on Pythagorean Spatial Pyramid Pooling CNN," Sensors, vol. 18, no. 11, p. 3857, Nov. 2018.

상세보기
W. Sun, R. Zhao, R. Yan, S. Shao, and X. Chen, "Convolutional Discriminative Feature Learning for Induction Motor Fault Diagnosis," IEEE Transactions on Industrial Informatics, vol. 13, no. 3, pp. 1350-1359, Jun. 2017.

상세보기

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