[논문]전이학습을 이용한 볼베어링의 진동진단

홍수빈; 이영대; 문찬우

doi:10.17703/jcct.2023.9.3.845

전이학습을 이용한 볼베어링의 진동진단
Transfer Learning-Based Vibration Fault Diagnosis for Ball Bearing 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.3, 2023년, pp.845 - 850

홍수빈 ((주)나인벨) , 이영대 ((주)나인벨) , 문찬우 (국민대학교 전자공학부)

초록
AI-Helper

본 논문에서는 전이학습을 이용하여 볼베어링의 진동진단을 수행하는 방법을 제안한다. 고장을 진단하기 위해 진동신호를 시간-주파수로 분석할 수 있는 STFT을 CNN의 입력으로 이용하였다. CNN 기반의 딥러닝 인공신경망을 빠르게 학습하고 진단 성능을 높이기 위해 전이학습 기반의 딥러닝 학습 기법을 제안하였다. 전이학습은 VGG 기반의 영상 분류 모델을 이용하여 특징 추출기와 분류기를 선택적으로 학습하였고, 학습에 사용한 데이터 세트는 Case Western Reserve University 대학에서 제공하는 공개된 볼베어링 진동 데이터를 사용하였으며, 성능평가는 기존의 CNN 모델과 비교하는 방법으로 수행하였다. 실험 결과 전이학습이 볼베어링 진동 데이터에서 상태 진단에 유용하다는 것을 증명할 수 있을 뿐만 아니라 이를 통해 다른 산업에서도 전이학습을 사용하여 상태 진단을 개선할 수 있다.

Abstract ▼ AI-Helper

In this paper, we propose a method for diagnosing ball bearing vibration using transfer learning. STFT, which can analyze vibration signals in time-frequency, was used as input to CNN to diagnose failures. In order to rapidly learn CNN-based deep artificial neural networks and improve diagnostic performance, we proposed a transfer learning-based deep learning learning technique. For transfer learning, the feature extractor and classifier were selectively learned using a VGG-based image classification model, the data set for learning was publicly available ball bearing vibration data provided by Case Western Reserve University, and performance was evaluated by comparing the proposed method with the existing CNN model. Experimental results not only prove that transfer learning is useful for condition diagnosis in ball bearing vibration data, but also allow other industries to use transfer learning to improve condition diagnosis.

주제어

표/그림 (7)

그림 그림 1. 제안된 시스템 아키텍처 Figure 1. Proposed System Architecture
표 표 1. CWRU 데이터 세트 Table 1. CWRU Dataset
그림 그림 2. CWRU 데이터 세트의 영상 예(STFT변환) Figure 2. Example images from CWRU dataset(STFT transformation)
그림 그림 3. 학습 데이터와 검증 데이터의 정확도와 손실 (a) 기존 CNN (b) 전이학습 Figure 3. Accuracy and loss of learning and verification data (a) Existing CNN (b) transfer learning
그림 그림 4. 기존 CNN의 혼동행렬 Figure 4. Confusion Matrix for Existing CNN
그림 그림 5. 전이학습의 혼동행렬 Figure 5. Confusion Matrix for transfer learning
표 표 2. 분류 정확도 Table 2. Classification accuracy

참고문헌 (9)

J. P. Yun, M. S. Kim, G. K, W. Shin, "Fault？Diagnosis and Analysis Based on Transfer？Learning and Vibration Signals", Journal of？Korean Embedded Engineering Society, vol.14,？no.6, pp. 287-294 (8 pages), 2019. https://doi.org/10.14372/IEMEK.2019.14.6.287

원문보기 상세보기
Naver blog, STFT, https://m.blog.naver.com/vmvtech/220936084562
Wikipedia, Convolutional Neural Network,？https://ko.wikipedia.org/wiki/%ED%95%A9%EC%84%B1%EA%B3%B1_%EC%8B%A0%EA%B2%BD%EB%A7%9D
Y. J. Kim, H. J. Jeon, Y. K. Kim, "A Comparison？Study of Ball Bearing Fault Diagnosis and？Classification Analysis Using XAI Grad-CAM",？The Transactions of the Korean Institute of？Electrical Engineers, Vol. 71, No. 9, p.1315-1325,？2022. DOI https://doi.org/10.5370/KIEE.2022.71.9.1315

상세보기
G. J. Seong, T. M. Lee, J. W. Kim, D. W. Kim,？"A Study on CNN-Based Ball Bearings Fault？Detection of a Rotating Shaft Using abnormal？vibration emphasis Filter Bank", Proceedings of？the conference of the Korean Society for？Communications and Communications, pp. 414 -415 (2pages), 2023.
Naver blog, Transfer Learning,https://blog.naver.om/PostView.naver?blogIdbeyondlegend&logNo222521774448&parentCategoryNo&categoryNo93&viewDate&isShowPopularPoststrue&fromsearch
Karen Simonyan, Andrew Zisserman, "Very Deep？Convolutional Networks for Large-Scale Image？Recognition", arXiv preprint arXiv:1409.1556, 2015.
CWRU, "48k Drive End Bearing Fault Data,"Jan？2022, https://engineering.case.edu/
D. T. Hoang, H. J. Kang, "Rolling element？bearing fault diagnosis using convolutional neural？network and vibration image", Cogn. Syst. Res.,？Vol. 53, pp. 42-50, 2019. DOI https://doi.org/10.1016/j.cogsys.2018.03.002

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