[논문]LSTM을 이용한 협동 로봇 동작별 전류 및 진동 데이터 잔차 패턴 기반 기어 결함진단

백지훈; 유동연; 이정원

doi:10.3745/ktsde.2023.12.10.445

LSTM을 이용한 협동 로봇 동작별 전류 및 진동 데이터 잔차 패턴 기반 기어 결함진단
Gear Fault Diagnosis Based on Residual Patterns of Current and Vibration Data by Collaborative Robot's Motions Using LSTM 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.12 no.10, 2023년, pp.445 - 454

백지훈 (LIG넥스원 드론개발단) , 유동연 (아주대학교 AI융합네트워크학과 전자공학전공) , 이정원 (아주대학교 전자공학과)

초록
AI-Helper

최근에는 협동 로봇의 데이터를 활용한 다양한 결함진단 연구가 수행되고 있다. 협동 로봇의 결함진단을 수행하는 기존 연구들은 기존 연구의 학습 데이터는 미리 정의된 기기의 동작을 가정하고 수집한 정적 데이터를 사용한다. 따라서 결함진단 모델은 학습한 데이터 패턴에 대한 의존성이 높아지는 한계가 있다. 또한 단일 모터를 사용한 실험으로 다관절이 동작하는 협동 로봇의 특성을 반영한 진단이 이루어지지 못했다는 한계가 있다. 본 논문에서는 앞서 언급한 두 가지 한계점을 해결할 수 있는 LSTM 진단 모델을 제안한다. 제안하는 방법은 단일 축 및 다중 축 작업 환경에서의 진동 및 전류 데이터의 상관분석을 사용하여 정상 대표 패턴을 선정하고, 정상 대표 패턴과의 차이를 통해 잔차 패턴을 생성한다. 생성된 잔차 패턴을 입력으로 축별 기어 마모 진단을 수행할 수 있는 LSTM 모델을 생성한다. 해당 결함진단 모델은 동작별 대표 패턴을 통해 모델의 학습 데이터 패턴에 대한 의존성을 낮출 수 있을 뿐 아니라 다중 축 동작 수행 시 발생하는 결함을 진단할 수 있다. 마지막으로, 내부 및 외부 데이터의 특성을 모두 반영하여 결함진단 성능을 개선한 결과 98.57%의 높은 진단 성능을 보였다.

Abstract ▼ AI-Helper

Recently, various fault diagnosis studies are being conducted utilizing data from collaborative robots. Existing studies performing fault diagnosis on collaborative robots use static data collected based on the assumed operation of predefined devices. Therefore, the fault diagnosis model has a limitation of increasing dependency on the learned data patterns. Additionally, there is a limitation in that a diagnosis reflecting the characteristics of collaborative robots operating with multiple joints could not be conducted due to experiments using a single motor. This paper proposes an LSTM diagnostic model that can overcome these two limitations. The proposed method selects representative normal patterns using the correlation analysis of vibration and current data in single-axis and multi-axis work environments, and generates residual patterns through differences from the normal representative patterns. An LSTM model that can perform gear wear diagnosis for each axis is created using the generated residual patterns as inputs. This fault diagnosis model can not only reduce the dependence on the model's learning data patterns through representative patterns for each operation, but also diagnose faults occurring during multi-axis operation. Finally, reflecting both internal and external data characteristics, the fault diagnosis performance was improved, showing a high diagnostic performance of 98.57%.

주제어

표/그림 (14)

그림 Fig. 1. Causes of Faults in the Motor Parts [8]
그림 Fig. 2. Building LSTM Model using the Residual Patterns
표 Table 1. Summary of Related Research
그림 Fig. 3. Representative Pattern Selection Algorithm
그림 Fig. 4. Selection of Normal Representative Patterns Using Pearson Correlation Analysis
그림 Fig. 5. Extracting the Residual Patterns (a) Fault and Normal Representative Data Pattern (b) Residual Data Pattern Between Fault Data Pattern and Normal Representative Data Pattern (c) Normal Data Pattern and Normal Representative Data Pattern (d) Residual Data Pattern of Normal Data Pattern and Normal Representative Data Pattern
그림 Fig. 6. Structure of Fault Detection LSTM Network
그림 Fig. 7. Collaborative Robot Test Experimental Bench
그림 Fig. 8. Residual Pattern of Single-axis and Multi-axes Motion
표 Table 2. Range of Motion of Tasks
표 Table 3. Test Accuracies of Different Preprocessing Methods
표 Table 4. Test Accuracies of Different Methods
표 Table 5. Test Accuracies of Proposed Model Under Different Input Data
표 Table 6. Structure of Current & Vibration Data

참고문헌 (27)

A. G. Frank, L. S. Dalenogare, and N. F. Ayala, "Industry？4.0 technologies: Implementation patterns in manufacturing companies," International Journal of Production？Economics, Vol.210, pp.15-26, 2019.

상세보기
A. Weiss and A. Huber, "User experience of a smart factory？robot: Assembly line workers demand adaptive robots,"？arXiv preprint arXiv:1606.03846, 2016.
R. Ahmad and S. Kamaruddin, "An overview of time-based？and condition-based maintenance in industrial application," Computers & Industrial Engineering, Vol.63, No.1,？pp.135-149, 2012.

상세보기
T. Gulledge, S. Hiroshige, and R. Iyer, "Condition-based？maintenance and the product improvement process,"？Computers in Industry, Vol.61. No.9, pp.813-832, 2010.

상세보기
S. Selcuk, "Predictive maintenance, its implementation？and latest trends," Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, Vol.231, No.9, pp.1670-1679, 2017.
L. F. Villa, A. Renones, and J. R. Peran, "Statistical fault？diagnosis based on vibration analysis for gear test-bench？under non-stationary conditions of speed and load," Mechanical Systems and Signal Processing, Vol.29, pp.436-？446, 2012.

상세보기
S. Vallachira, M. Orkisz, M. Norrlof, and S. Butail, "Data-driven gearbox failure detection in industrial robots," IEEE？Transactions on Industrial Informatics, Vol.16, No.1,？pp.193-201, 2019.
D. A. Tobon-Mejia, K. Medjaher, and N. Zerhouni, "CNC？machine tool's wear diagnostic and prognostic by using？dynamic Bayesian networks," Mechanical Systems and？Signal Processing, Vol.28, pp.167-182, 2012.

상세보기
Z. Yu and Y. Zhang, "Diagnosis of the misaligned faults？of the vertical test instrument of high-precision industrial？robot reducer," Shock and Vibration, Vol.2021, pp.1-17,？2021.

상세보기
A. Bonci, S. Longhi, and F. Verdini, "Predictive maintenance？system using motor current signal analysis for industrial？robot," 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), IEEE,？2019.
Q. Yang, Xi. Li, Yi. Wang, and A. Ainapure, "Fault diagnosis？of ball screw in industrial robots using non-stationary？motor current signals," Procedia Manufacturing, Vol.48,？pp.1102-1108, 2020.

상세보기
Y. Kim, J. Park, K. Na, H. Yuan, B. D. Youn, and C. S.？Kang, "Phase-based time domain averaging (PTDA) for？fault detection of a gearbox in an industrial robot using？vibration signals," Mechanical Systems and Signal Processing, Vol.138, pp.106544, 2020.

상세보기
C. C. Lo, C. H. Lee, and W. C. Huang, "Prognosis of bearing？and gear wears using convolutional neural network with？hybrid loss function," Sensors, Vol.20, No.12, pp.3539,？2020.

상세보기
J. Long, J. Mou, L. Zhang, S. Zhang, and C. Li, "Attitude？data-based deep hybrid learning architecture for intelligent fault diagnosis of multi-joint industrial robots,"？Journal of Manufacturing Systems, Vol.61, pp.736-745,？2020.
L. F. Villa, A. Renones, and J. R. Peran, "Statistical fault？diagnosis based on vibration analysis for gear test-bench？under non-stationary conditions of speed and load," Mechanical Systems and Signal Processing, Vol.29 pp.436-？446, 2012.

상세보기
Z. Gao, C. Cecati, and S. X. Ding, "A survey of fault diagnosis and fault-tolerant techniques-Part I: Fault diagnosis？with model-based and signal-based approaches," IEEE？Transactions on Industrial Electronics, Vol.62, No.6,？pp.3757-3767, 2015.
L. Console and O. Dressler, "Model-based diagnosis in the？real world: Lessons learned and challenges remaining,"？IJCAI, Vol.99, 1999.
A. Soualhi, M. Lamraoui, B. Elyousfi, and H. Razik, "PHM？SURVEY: Implementation of diagnostic methods for monitoring industrial systems," International Journal of Prognostics and Health Management, Vol.10, No.2, pp.6909-6932, 2019.
D. U. Campos-Delgado and D. R. Espinoza-Trejo, "An？observer-based diagnosis scheme for single and simultaneous open-switch faults in induction motor drives,"？IEEE Transactions on Industrial Electronics, Vol.58, No.2,？pp.671-679, 2010.
Z. W. Huang, Y. Z. Yang, J. Wang, and Y. Li, "Parity？space-based fault diagnosis of CCBII braking system,"？Journal of Central South University, Vol.20, No.10,？pp.2922-2928, 2013.

상세보기
A. T. James, O. P. Gandhi, and S. G. Deshmukh, "Fault？diagnosis of automobile systems using fault tree based on？digraph modeling," International Journal of System Assurance Engineering and Management, Vol.9, No.2, pp.494-？508, 2018.

상세보기
A. A. Jaber and R. Bicker, "Industrial robot backlash fault？diagnosis based on discrete wavelet transform and？artificial neural network," American Journal of Mechanical？Engineering, Vol.4, No.1, pp.21-31, 2016.
J. Pan, L. Qu, and K. Peng, "Sensor and actuator fault？diagnosis for robot joint based on deep CNN," Entropy,？Vol.23, No.6, pp.751, 2021.
P. Zou, B. Hou, J. Lei, and Z. Zhang, "Bearing fault diagnosis method based on EEMD and LSTM," International？Journal of Computers Communications & Control, Vol.15,？No.1, 2020.

상세보기
I. Mitiche, T. McGrail, P. Boreham, A. Nesbitt, and G.？Morison, "Data-driven anomaly detection in high-voltage？transformer bushings with lstm auto-encoder," Sensors,？Vol.21, No.21, pp.7426, 2021.

상세보기
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, Vol.9, No.8, pp.1735-1780,？1997.

상세보기
"Niryo One - An accessible educational 6 axis robotic arm,？just for you - Niryo," Niryo, 2020. [Internet], https://niryo.com/niryo-one/. [Accessed: 15 Oct 2019].？

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