[논문]SWT-SVD 전처리 알고리즘을 적용한 예측적 베어링 이상탐지 모델

박소향; 김광훈

doi:10.7472/jksii.2024.25.1.109

SWT-SVD 전처리 알고리즘을 적용한 예측적 베어링 이상탐지 모델
A Predictive Bearing Anomaly Detection Model Using the SWT-SVD Preprocessing Algorithm 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.25 no.1, 2024년, pp.109 - 121

박소향 (Department of Computer Science, Kyonggi University) , 김광훈 (Department of Computer Science, Kyonggi University)

초록
AI-Helper

섬유, 자동차와 같은 여러 제조 공정에서 설비가 고장이 나 멈추게 되면 기계가 작동하지 않게 되고 이는 기업의 시간적, 금전적 손실로 이어진다. 따라서 설비의 고장이 발생하기 전, 고장을 예측하여 정비할 수 있도록 설비의 이상을 사전에 탐지하는 것이 중요하다. 대부분의 설비 고장 원인은 설비의 필수 부품인 베어링의 고장으로, 베어링의 고장을 진단하는 것은 설비예지보전 연구의 핵심이기도 하다. 본 논문에서는 베어링의 진동 신호를 분석하여 SWT-SVD 전처리 알고리즘을 제안하고 이를 시계열 이상탐지 모델 네트워크 중 하나인 어노멀리 트랜스포머에 적용하여 베어링 이상탐지 모델을 구현한다. 제조공정의 베어링 진동신호는 실시간으로 센서값들의 이력이 작성되어 노이즈가 존재하므로, 이를 줄이기 위해 본 연구에서는 정상 웨이블릿 변환(Stationary Wavelet Transform)을 사용하여 주파수 성분을 추출하고, 특이값 분해(Singular Value Decomposition) 알고리즘을 통해 유의미한 특징들을 추출하는 전처리를 진행한다. 제안하는 SWT-SVD 전처리 방법을 적용한 베어링 이상탐지 모델 실험을 위해 IEEE PHM학회에서 제공하는 PHM-2012-Challenge 데이터 세트를 활용하였으며, 실험 결과는 0.98의 정확도와 0.97의 F1-Score로 우수한 성능을 보였다. 추가로, 성능 향상을 입증하기 위해 선행 연구들과 성능 비교를 진행한다. 비교 실험을 통해 제안한 전처리 방법이 기존의 전처리보다 높은 성능을 보임을 확인하였다.

Abstract ▼ AI-Helper

In various manufacturing processes such as textiles and automobiles, when equipment breaks down or stops, the machines do not work, which leads to time and financial losses for the company. Therefore, it is important to detect equipment abnormalities in advance so that equipment failures can be predicted and repaired before they occur. Most equipment failures are caused by bearing failures, which are essential parts of equipment, and detection bearing anomaly is the essence of PHM(Prognostics and Health Management) research. In this paper, we propose a preprocessing algorithm called SWT-SVD, which analyzes vibration signals from bearings and apply it to an anomaly transformer, one of the time series anomaly detection model networks, to implement bearing anomaly detection model. Vibration signals from the bearing manufacturing process contain noise due to the real-time generation of sensor values. To reduce noise in vibration signals, we use the Stationary Wavelet Transform to extract frequency components and perform preprocessing to extract meaningful features through the Singular Value Decomposition algorithm. For experimental validation of the proposed SWT-SVD preprocessing method in the bearing anomaly detection model, we utilize the PHM-2012-Challenge dataset provided by the IEEE PHM Conference. The experimental results demonstrate significant performance with an accuracy of 0.98 and an F1-Score of 0.97. Additionally, to substantiate performance improvement, we conduct a comparative analysis with previous studies, confirming that the proposed preprocessing method outperforms previous preprocessing methods in terms of performance.

주제어

표/그림 (13)

그림 (그림 1) 정상 웨이블릿 변환 분해 과정 (Figure 1) Stationary Wavelet Transform Decomposition Process
그림 (그림 2) 베어링 이상탐지 모델 프레임워크 (Figure 2) Bearing Anomaly Detection Model Framework
그림 (그림 3) 베어링 이상탐지 모델 프레임워크 (Figure 3) Bearing Anomaly Detection Model Framework
그림 (그림 4) SWT-SVD 전처리 알고리즘 (Figure 4) SWT-SVD Preprocessing Algorithm
표 (표 1) 실험 환경 (Table 1) Experimental Environment
그림 (그림 5) Bearing1_3 데이터세트의 RUL 및 Over (Figure 5) RUL and Over of Bearing1_3 Dataset
표 (표 2) 데이터세트 작동 조건 (Table 2) Operating conditions of datasets
표 (표 3) PHM 2012 Challenge 데이터세트 (Table 3) Dataset of PHM 2012 data challenge
표 (표 4) 혼동행렬 (Table 4) Confusion Matrix
표 (표 5) SVD 결과에 대한 재구성 오차 (Table 5) Reconstruction Error for SVD Result
표 (표 6) SVD 컴포넌트 인자 설정 성능 비교 (Table 6) Performance Comparison of SVD Component Parameter Settings
표 (표 7) 모델 파라미터 세부사항 (Table 7) The Detailed Manifest of the Model Parameters
표 (표 8) 데이터 전처리 및 이상탐지 모델 성능 비교 (Table 8) Performance Comparison of the Data Preprocessings and the Models

AI 본문요약
AI-Helper

문제 정의

따라서 공정에서 바로 측정된 원시 데이터는 주파수 도메인 분석이 어려우며 예측 성능이 떨어지는 한계가 있다. 본 논문에서는 이러한 문제점을 개선하고자 PHM-2012-Challenge 데이터 세트를 활용하여 진동센서값으로 구성된 데이터세트의 전처리를 위해 SWT-SVD 전처리 알고리즘을 제안하고 구현한다. 데이터의 노이즈를 줄이고 중요한 학습 특징을 추출하기 위해 정상 웨이블릿 변환 방법(Stationary Wavelet Transform, SWT)을 활용하여 주파수 성분을 추출하고, 이 추출된 주파수 성분을 특이값 분해(Singular Value Decomposition, SVD) 알고리즘을 이용하여 저차원으로 축소하여 데이터의 상관관계를 파악하고 필요한 특징을 추출한다.
본 연구는 베어링 이상을 사전에 탐지하는 이상탐지 모델을 개발하고, 모델의 성능 향상을 위해 전처리 단계에서 SWT-SVD 전처리 알고리즘을 제안하고 구현하였다. 실험에 사용한 데이터 세트는 PHM-2012-Challenge-Dataset이며, 해당 데이터 세트를 활용하여 정상 웨이블릿 변환 및 SVD 방법을 적용하였고 이를 통해 주파수 성분을 분석하고 유의미한 특징을 추출하였다.
최근에는 LSTM의 시간 정보를 소실하는 장기 의존성 문제를 해결한 트랜스포머(Transformer)[31]를 활용한 시계열 이상탐지 모델이 등장하고 있다. 본 연구에서는 LSTM의 장기의존성 문제를 해결하고 시간 정보를 잘 반영하는 트랜스포머 모델 구조에 기반하는 어노멀리 트랜스포머(Anomaly-Transformer) 네트워크를 사용하여, 제안하는 전처리 방법을 적용한 베어링 이상탐지 모델을 구현하고자 한다.

제안 방법

주파수 변환 수행 후 주파수 성분을 가지는 데이터에서 유의미한 특징을 추출하기 위해 SVD를 수행한다. SVD는 행렬을 분해하여 차원 축소하는 방법을 통해 특징을 추출하는 알고리즘이므로 특징 추출이 잘 되었는지 재구성 오차를 구하여 확인하고자 한다. 재구성 오차는 원래 데이터와 특이값 분해를 사용하여 추출된 데이터 간의 차이를 나타내어 실제 데이터와 근사 데이터 간의 오차를 확인하고 얼마나 정확하게 데이터가 재구성 되었는지를 평가하는 지표로 쓰인다.
SWT를 수행하기 전, 알고리즘 슈도코드를 보면 본 연구에서 사용하는 데이터의 전처리를 위해 간단한 데이터파일을 합치는(merge) 전처리를 진행한다. 원시데이터는 총 6개의 속성 - 시(Hour), 분(Minute), 초(Second), 마이크로초(Micro-second), 수평 가속도계에서 측정된 진동신호 1(Horiz.
각 전처리 방법을 구현한 후 베어링 이상탐지 모델 구현을 위해 어노멀리 트랜스포머 모델 네트워크를 설계한다. 또한, 모델 간의 성능 비교를 위해 LSTM-AE 네트워크도 설계한다.
제안한 SWT-SVD 전처리 알고리즘의 타당성과 성능을 확인하기 위해 이상을 탐지하는 어노멀리 트랜스포머 모델 네트워크에 적용한다. 또한, 성능을 비교하여 제안한 전처리 방법의 우수성을 입증하기 위해 기존 진동 신호데이터에 사용되던 선행 전처리 방법 중 첨도 기반 전처리[9], 푸리에 변환, DWT[15], SWT[28] 방법을 구현한다. 이상탐지 성능 비교를 위해 사용된 모델은 어노멀리 트랜스포머[31]이며, 선행 연구인 LSTM-AE[23] 기반 이상탐지 모델도 구현하여 성능을 평가하고 비교한다.
본 장에서는 제안하는 SWT-SVD 전처리 알고리즘과 이를 적용한 어노멀리 트랜스포머 기반 베어링 이상탐지 모델을 구현한다. 또한, 첨도기반의 진동 신호 전처리 방법과 푸리에변환, 이산웨이블릿변환을 사용한 기존 선행전처리 연구들을 구현하여 이상탐지 모델에 적용하고 성능평가를 수행 및 비교한다. 전처리 및 모델 구현을 위한 실험 환경은 표 1과 같다.
마지막으로 제안하는 SWT-SVD 전처리 알고리즘과 이를 적용한 어노멀리 트랜스포머 기반 베어링 이상탐지 모델의 성능을 입증하기 위해 기존의 전처리 방법들인 첨도기반 전처리, 푸리에변환, DWT, SWT 방법을 구현하고 어노멀리 트랜스포머 및 LSTM-AE 모델에 적용하여 비교 실험을 한다.
본 논문에서는 PHM-2012-Challenge 데이터 세트를 사용하여 SWT-SVD 전처리 알고리즘을 제안하고 개발한다. 제안한 SWT-SVD 전처리 알고리즘의 타당성과 성능을 확인하기 위해 이상을 탐지하는 어노멀리 트랜스포머 모델 네트워크에 적용한다.
본 실험에서는 SWT-SVD 전처리 알고리즘 구현을 위해 SWT를 사용하여 주파수 영역으로 주파수 변환을 진행한다. 주파수 변환 수행 후 주파수 성분을 가지는 데이터에서 유의미한 특징을 추출하기 위해 SVD를 수행한다.
본 연구에서는 주파수 변환을 통한 특징 추출 전처리방법인 SWT-SVD 전처리 방법을 제안하고 어노멀리 트랜스포머 시계열 이상탐지 모델 네트워크를 사용하여 공정 설비 속 베어링의 이상을 탐지하는 모델을 개발한다.
본 장에서는 제안하는 SWT-SVD 전처리 알고리즘과 이를 적용한 어노멀리 트랜스포머 기반 베어링 이상탐지 모델을 구현한다. 또한, 첨도기반의 진동 신호 전처리 방법과 푸리에변환, 이산웨이블릿변환을 사용한 기존 선행전처리 연구들을 구현하여 이상탐지 모델에 적용하고 성능평가를 수행 및 비교한다.
[27]은 베어링 이상탐지 연구위해 LSTM-AE를 활용하였다. 원시 진동 데이터에서 시간 영역 데이터를 추출하는 전처리 작업을 진행한 후, LSTM 기반의 오토인코더 모델을 학습하여 이상탐지를 수행하였다.
따라서 특이값 분해 특징 추출 알고리즘을 사용하여 하나의 의미있는 속성으로 특징 추출을 진행한다. 전처리를 진행한 후, 전처리된 데이터를 가지고 베어링 이상탐지 모델 학습을 수행한다. 모델은 트랜스포머 계열의 시계열 이상탐지 모델인 어노멀리 트랜스포머 네트워크를 사용한다.
제조 산업에서는 IoT, 인공지능, 빅데이터, 로봇 공학과 같은 다양한 기술을 활용하여 제조 과정을 자동화하고 최적화하는 시스템을 구축하고자 한다. 따라서 품질예측자동화, 실시간공정모니터링, 설비예지보전과 같은 다양한 연구가 진행되고 있다[1,2].
본 실험에서는 SWT-SVD 전처리 알고리즘 구현을 위해 SWT를 사용하여 주파수 영역으로 주파수 변환을 진행한다. 주파수 변환 수행 후 주파수 성분을 가지는 데이터에서 유의미한 특징을 추출하기 위해 SVD를 수행한다. SVD는 행렬을 분해하여 차원 축소하는 방법을 통해 특징을 추출하는 알고리즘이므로 특징 추출이 잘 되었는지 재구성 오차를 구하여 확인하고자 한다.
이때 컴포넌트 인자를 1로 설정하고, SWT를 수행한 이후 각각의 특징에서 도출된 상세계수, 근사계수마다 한 개의 재구성 특징을 추출한다. 컴포넌트값을 1로 설정한 것이 적합함을 확인하고자 1이 아닌 다른 값(2, 3)을 넣어 전처리를 진행하였고 이를 어노멀리 트랜스포머 예측 모델에 적용하여 성능을 확인한다. 이에대한 성능 비교 결과는 표 6와 같다.

대상 데이터

6 kHz이며, 1초마다 총 256개의 샘플이 기록되어있다. 따라서 본 논문에서 사용하는 PHM-2012-Challenge 데이터세트의 설명서[33]에서 제공된 Bearing1_3 데이터세트의 실제 잔존시간(Actual RUL)은 5730초이므로, 실제 RUL에 해당하는 샘플은 5730 * 256인 1,466,880개이다.
전처리를 진행한 후, 전처리된 데이터를 가지고 베어링 이상탐지 모델 학습을 수행한다. 모델은 트랜스포머 계열의 시계열 이상탐지 모델인 어노멀리 트랜스포머 네트워크를 사용한다. 어노멀리 트랜스포머는 2장에서 언급하였듯이 전반적인 전체 시계열 분포에서는 정상 데이터가 비정상 데이터보다 강한 상관관계를 띄지만(Global-Association), 비정상 데이터가 분포하는 시점의 앞뒤 시점에서는 정상 분포가 국소적으로 보았을 때 약한 상관관계를 가진다(Local-Association)는 것을 고려하여 두 개의 어텐션 값을 도출한다.
본 연구에서 베어링 이상탐지를 수행하기 위해 사용한 데이터 세트는 PHM-2012-Challenge-Datset[33]으로, 해당 데이터 세트는 IEEE 2012 Prognostics and Health Management(PHM) 학회에서 제공한 롤링 베어링(Rolling Bearing)의 진동 센서로부터 얻은 측정 값들로 구성된다. 베어링의 진동 신호를 수집하기 위해 진동 신호는 수직, 수평 방향의 가속도계로 측정되었고, 10초마다 총 2560개의 샘플이 25.6 kHz의 샘플링 주파수로 기록되었다. 데이터세트는 표 2와 같이 각각 다른 실험 조건 및 상태를 가지고 측정되어 총 3가지 종류(Bearing 1, Bearing 2, Bearing 3)의 데이터세트가 존재한다.
본 연구에서 베어링 이상탐지를 수행하기 위해 사용한 데이터 세트는 PHM-2012-Challenge-Datset[33]으로, 해당 데이터 세트는 IEEE 2012 Prognostics and Health Management(PHM) 학회에서 제공한 롤링 베어링(Rolling Bearing)의 진동 센서로부터 얻은 측정 값들로 구성된다. 베어링의 진동 신호를 수집하기 위해 진동 신호는 수직, 수평 방향의 가속도계로 측정되었고, 10초마다 총 2560개의 샘플이 25.
데이터세트는 표 2와 같이 각각 다른 실험 조건 및 상태를 가지고 측정되어 총 3가지 종류(Bearing 1, Bearing 2, Bearing 3)의 데이터세트가 존재한다. 본 연구에서는 이 중 1800rmp의 회전속도(Rotating speed)와 Radial Force가 4000N의 값을 가지는 조건에서 측정된 Bearing 1 데이터를 사용하여 실험을 진행한다.
본 연구는 베어링 이상을 사전에 탐지하는 이상탐지 모델을 개발하고, 모델의 성능 향상을 위해 전처리 단계에서 SWT-SVD 전처리 알고리즘을 제안하고 구현하였다. 실험에 사용한 데이터 세트는 PHM-2012-Challenge-Dataset이며, 해당 데이터 세트를 활용하여 정상 웨이블릿 변환 및 SVD 방법을 적용하였고 이를 통해 주파수 성분을 분석하고 유의미한 특징을 추출하였다. 제안된 전처리 방법을 어노멀리 트랜스포머 모델 네트워크에 적용하여 베어링 이상탐지 모델을 개발하였으며, 실험 결과를 통해 0.
추후 실험의 성능평가를 위해 사용될 테스트 데이터세트인 Bearing1_3에 대해서는 라벨링 작업을 수행한다. 앞서 언급한 것과 같이 진동 센서의 샘플링 주파수는 25.6 kHz이며, 1초마다 총 256개의 샘플이 기록되어있다. 따라서 본 논문에서 사용하는 PHM-2012-Challenge 데이터세트의 설명서[33]에서 제공된 Bearing1_3 데이터세트의 실제 잔존시간(Actual RUL)은 5730초이므로, 실제 RUL에 해당하는 샘플은 5730 * 256인 1,466,880개이다.

데이터처리

3장에서는 제안하는 베어링 이상탐지 모델 설계 및 SWT-SVD 전처리 알고리즘에 대해 설명한다. 4장은 제안하는 전처리 방법을 구현 후 어노멀리 트랜스포머 모델에 적용하여 성능평가 실험을 하고, 기존 선행된 전처리 및 모델 관련 연구에 대해서 구현하고 성능을 비교한다. 마지막으로 5장에서는 결론을 맺는다.
두 모델 모두 일괄처리량(Batch Size)는 32, 학습률(Learning Rate)는 1e-4로 설정하고, 최적화 알고리즘은 Adam을 사용한다. 또한, 손실함수(Loss Function)는 평균제곱오차(Mean Squared Error, MSE)를 사용한다.
또한, 성능을 비교하여 제안한 전처리 방법의 우수성을 입증하기 위해 기존 진동 신호데이터에 사용되던 선행 전처리 방법 중 첨도 기반 전처리[9], 푸리에 변환, DWT[15], SWT[28] 방법을 구현한다. 이상탐지 성능 비교를 위해 사용된 모델은 어노멀리 트랜스포머[31]이며, 선행 연구인 LSTM-AE[23] 기반 이상탐지 모델도 구현하여 성능을 평가하고 비교한다.
97의 F1-Score를 보임으로써 제안한 전처리 방법이 베어링 이상탐지에 유용하게 활용될 수 있음을 확인하였다. 제안하는 전처리 방법을 적용한 베어링 이상탐지 모델의 우수성을 입증하기 위해 기존에 선행되었던 첨도기반의 전처리 방법과 푸리에변환, DWT, SWT 전처리 방법을 구현하여 어노멀리 트랜스포머 및 LSTM-AE 모델 네트워크에 적용했고 이들의 성능을 비교하였다. 어노멀리 트랜스포머 및 LSTM-AE 두 모델 네트워크 모두 전처리 방법들을 적용한 결과, 제안한 전처리 방법이 기존의 전처리 방법들 보다 높은 성능을 보임을 확인했다.

이론/모형

SWT 수행 시, 저주파 영역에 해당하는 근사계수(AC)와 고주파 영역에 해당하는 상세계수(DC) 값이 각각 추출되므로 각각의 추출된 주파수 값을 SVD 알고리즘에 적용한다. 데이터의 특징은 수평(Horizontal) 가속도계에서 측정된 값과 수직(Vertical) 가속도계에서 측정된 값, 총 두 개이므로 두 특징에 대해서 SWT를 수행하고 SVD를 적용한 결과에 대한 재구성 오차는 표 5와 같다.
진동 신호가 실시간으로 이력된 베어링의 진동 시계열 데이터는 시간 도메인으로 분포되어있어 주파수 형태로의 분석이 어렵고 예측 성능도 떨어뜨리는 문제가 있다. 그렇기 때문에 주파수 분석과 변환을 위한 전처리 방법이 필요하며, 본 연구에서는 주파수 변환을 위해 정상 웨이블릿 변환 방법을 사용한다. 주파수 변환을 통해 고주파와 저주파 정보를 가진 여러 개의 주파수 특징들이 파생되는데 학습 속성의 개수가 많아질수록 차원의 개수가 늘어나며 연산량과 성능에 영향을 미칠 수 있다.
본 논문에서는 이러한 문제점을 개선하고자 PHM-2012-Challenge 데이터 세트를 활용하여 진동센서값으로 구성된 데이터세트의 전처리를 위해 SWT-SVD 전처리 알고리즘을 제안하고 구현한다. 데이터의 노이즈를 줄이고 중요한 학습 특징을 추출하기 위해 정상 웨이블릿 변환 방법(Stationary Wavelet Transform, SWT)을 활용하여 주파수 성분을 추출하고, 이 추출된 주파수 성분을 특이값 분해(Singular Value Decomposition, SVD) 알고리즘을 이용하여 저차원으로 축소하여 데이터의 상관관계를 파악하고 필요한 특징을 추출한다. 제안한 SWT-SVD 전처리 결과를 어노멀리 트랜스포머 모델 네트워크에 적용하여 베어링 이상탐지 모델을 개발하고 타전처리 방법 및 모델과 비교 실험하여 성능의 우수성을 입증한다.
LSTM-AE의 경우 학습횟수는 100으로 설정한다. 두 모델 모두 일괄처리량(Batch Size)는 32, 학습률(Learning Rate)는 1e-4로 설정하고, 최적화 알고리즘은 Adam을 사용한다. 또한, 손실함수(Loss Function)는 평균제곱오차(Mean Squared Error, MSE)를 사용한다.
이후, 주파수 영역에서의 특징을 추출하고 불필요한 잡음이나 노이즈를 제거하는 과정이 필요하다. 따라서 본 논문에서는 높은 해상도 분석이 가능하여 진동센서기반 데이터 분석에 유용한 SWT를 사용한다. 주파수 변환을 수행하기 위해서는 모 웨이블릿 함수(mother wavelet function)내의 기저 함수(Basis function)와 분해 레벨(level)을 선정해야 한다.
공정에서 수집되는 베어링의 진동 신호 원시 데이터는 정상 신호가 비정상 신호에 비해 압도적으로 많은 양을 가지고 있기 때문에 데이터의 불균형 문제가 존재한다. 따라서 본 연구에서는 모델의 성능평가를 위해 정확도와 함께 F1-score를 사용한다.
그러나 GAN은 시계열성을 가지는 베어링의 진동 신호 데이터에서는 시간 정보를 반영하지 못하기 때문에 학습이 어렵다는 문제가 있다. 따라서 시간정보를 반영하여 모델 학습에 영향을 미치는 LSTM 순환 신경망 모델을 사용하여 이상탐지를 수행한다. LSTM은 기존 순환 신경망인 RNN(Recurrent Neural Network) 모델 네트워크의 문제점인 기울기 소실 문제(Vanishing gradient problem)를 해결하였고, 시계열 데이터의 시간적 특성을 잘 파악할 수 있는 모델 네트워크이다.
설정한 레벨에서 도출된 모든 값의 상세계수와 근사계수값을 학습 특징으로 사용할 수 있지만, 차원의 수가 증가한다는 문제가 발생한다. 따라서 이를 해결하기 위해 근사계수와 상세계수 값에서 각각의 유의미한 단일 특징을 추출하는 특징 추출 기법을 사용한다. 본 연구에서 사용하는 베어링 진동 신호 데이터의 특징은 가우시안 분포를 따르지 않으며, 이상치가 정상치 보다 적은 불균형성을 가진다.
주파수 변환을 통해 고주파와 저주파 정보를 가진 여러 개의 주파수 특징들이 파생되는데 학습 속성의 개수가 많아질수록 차원의 개수가 늘어나며 연산량과 성능에 영향을 미칠 수 있다. 따라서 특이값 분해 특징 추출 알고리즘을 사용하여 하나의 의미있는 속성으로 특징 추출을 진행한다. 전처리를 진행한 후, 전처리된 데이터를 가지고 베어링 이상탐지 모델 학습을 수행한다.
기저 함수는 모 웨이블릿 함수의 시간 스케일을 바꿔가며 변환하면 데이터의 특정 부분을 표현하는 작은 웨이블릿 함수들이 생성되는데 이 함수를 기저함수라 부른다. 본 논문에서는 SWT 주파수 변환 수행을 위해 다우베키스 모 함수 계열의 db5 기저함수를 사용한다. 또한 분해 레벨은 모두 5레벨까지 분해하여 분해 레벨 4와 5에 해당하는 주파수 값을 사용한다.
본 연구에서는 베어링 이상탐지 수행을 위해 어노멀리 트랜스포머 모델 네트워크를 사용하였고 성능 비교를 위해 LSTM-AE를 사용하였다. 향후 연구를 통해 베어링의 진동 신호 데이터에 적합한 다양한 시계열 이상탐지 모델과의 비교를 통해 모델의 성능을 분석하고, 향상시킬 수 있을 것이다.
실험의 성능 평가를 위해 혼동행렬 기반 정확도(Accuracy)와 F1-score 성능평가 지표[34]를 사용한다. 아래의 표 4은 혼동행렬을 표현하며, 실제값과 예측값이 동일하면 True, 동일하지 않다면 False로 표기한다.
모델 구현을 위해 설계한 세부 파라미터는 표 7와 같다. 어노멀리 트랜스포머 네트워크를 사용한 베어링 이상탐지 모델 구현을 위해 학습 횟수(Epoch)은 10으로 설정했고 학습시간 단축 및 과적합 방지를 위해 조기종료(Early Stopping) 기법을 사용한다. LSTM-AE의 경우 학습횟수는 100으로 설정한다.
1초 동안의 전체 베어링 진동 신호를 500Hz 주파수 대역으로 필터링하고, 스펙트럼 첨도를 계산한다. 이 계산된 첨도 값에 이동평균 기법을 적용하였다. 푸리에변환 전처리를 구현하기 위해서는 Numpy 라이브러리의 fft 함수를 활용한다.
또한, 데이터의 분포가 시간에 따라 보았을 때 주로 뒤쪽에 분포되어있다. 이러한 데이터의 특성을 고려하여 SVD 특징 추출 알고리즘을 사용하여 평균중심화를 거치지 않고 데이터 내의 잠재적 의미를 보다 더 잘 파악할 수 있도록 특징을 추출한다.
1초로 측정된 전체 진동 신호를 500Hz 주파수 대역으로 필터링하고 스펙트럼 첨도를 계산하였다. 이후 첨도 값에 대해서 이동 평균(Moving average) 기법을 적용하여 잡음을 제거하였다. 이외에도 첨도, RMS, 이동평균, 엔트로피 기반의 다양한 확률론적 방법을 활용한 전처리 연구들이 수행되었다[10,11,12,13].
본 논문에서는 PHM-2012-Challenge 데이터 세트를 사용하여 SWT-SVD 전처리 알고리즘을 제안하고 개발한다. 제안한 SWT-SVD 전처리 알고리즘의 타당성과 성능을 확인하기 위해 이상을 탐지하는 어노멀리 트랜스포머 모델 네트워크에 적용한다. 또한, 성능을 비교하여 제안한 전처리 방법의 우수성을 입증하기 위해 기존 진동 신호데이터에 사용되던 선행 전처리 방법 중 첨도 기반 전처리[9], 푸리에 변환, DWT[15], SWT[28] 방법을 구현한다.
)이므로 각 진동신호의 상세계수 속성(HorizDC, VertiDC)과 근사계수 속성(HorizAC, VertiAC)가 추출된다. 추출된 주파수 상세계수 및 근사계수를 가지고 SVD 알고리즘을 이용하여 저차원으로 축소해, 유의미한 특징을 도출한다. 2장에서 설명하였듯이 SVD 수행 시 차원의 깊이를 결정하고 차원 축소를 얼만큼 할 것인지 결정하기 위해 특이값의 주요 성분을 선택할 수 있다.
과거 베어링의 진동 신호 데이터를 분석하고 유용한 정보를 추출하기 위해 이동평균, 분산, 왜도 및 첨도와 같은 통계적 방법을 활용한 연구가 다수 진행되었다. 특히, Xiaohui Gu et al.[8]은 첨도(Kurtosis)에 기반한 Kurtogram과 Frequency Domain Correlated Kurtosis(FDC(k)-Kurtosis) 같은 빈도-시간 분석 기법을 활용하여 베어링 진동 신호데이터를 분석하고 관련 특징을 추출하였다. 또한, Edwin Sutrisno et al.

성능/효과

따라서 이를 해결하기 위해 근사계수와 상세계수 값에서 각각의 유의미한 단일 특징을 추출하는 특징 추출 기법을 사용한다. 본 연구에서 사용하는 베어링 진동 신호 데이터의 특징은 가우시안 분포를 따르지 않으며, 이상치가 정상치 보다 적은 불균형성을 가진다. 또한, 데이터의 분포가 시간에 따라 보았을 때 주로 뒤쪽에 분포되어있다.
제안하는 전처리 방법을 적용한 베어링 이상탐지 모델의 우수성을 입증하기 위해 기존에 선행되었던 첨도기반의 전처리 방법과 푸리에변환, DWT, SWT 전처리 방법을 구현하여 어노멀리 트랜스포머 및 LSTM-AE 모델 네트워크에 적용했고 이들의 성능을 비교하였다. 어노멀리 트랜스포머 및 LSTM-AE 두 모델 네트워크 모두 전처리 방법들을 적용한 결과, 제안한 전처리 방법이 기존의 전처리 방법들 보다 높은 성능을 보임을 확인했다.
실험에 사용한 데이터 세트는 PHM-2012-Challenge-Dataset이며, 해당 데이터 세트를 활용하여 정상 웨이블릿 변환 및 SVD 방법을 적용하였고 이를 통해 주파수 성분을 분석하고 유의미한 특징을 추출하였다. 제안된 전처리 방법을 어노멀리 트랜스포머 모델 네트워크에 적용하여 베어링 이상탐지 모델을 개발하였으며, 실험 결과를 통해 0.98의 정확도와 0.97의 F1-Score를 보임으로써 제안한 전처리 방법이 베어링 이상탐지에 유용하게 활용될 수 있음을 확인하였다. 제안하는 전처리 방법을 적용한 베어링 이상탐지 모델의 우수성을 입증하기 위해 기존에 선행되었던 첨도기반의 전처리 방법과 푸리에변환, DWT, SWT 전처리 방법을 구현하여 어노멀리 트랜스포머 및 LSTM-AE 모델 네트워크에 적용했고 이들의 성능을 비교하였다.
데이터의 노이즈를 줄이고 중요한 학습 특징을 추출하기 위해 정상 웨이블릿 변환 방법(Stationary Wavelet Transform, SWT)을 활용하여 주파수 성분을 추출하고, 이 추출된 주파수 성분을 특이값 분해(Singular Value Decomposition, SVD) 알고리즘을 이용하여 저차원으로 축소하여 데이터의 상관관계를 파악하고 필요한 특징을 추출한다. 제안한 SWT-SVD 전처리 결과를 어노멀리 트랜스포머 모델 네트워크에 적용하여 베어링 이상탐지 모델을 개발하고 타전처리 방법 및 모델과 비교 실험하여 성능의 우수성을 입증한다.
표 8은 각 전처리 방법과 이상탐지 모델을 구현하고 적용한 비교 실험 결과를 보여준다. 제안한 SWT-SVD 전처리 알고리즘은 기존 전처리 방법과 비교하여 어노멀리 트랜스포머 및 LSTM-AE 두 모델 모두에서 우수한 성능을 보임을 확인하였다.

후속연구

향후 연구를 통해 베어링의 진동 신호 데이터에 적합한 다양한 시계열 이상탐지 모델과의 비교를 통해 모델의 성능을 분석하고, 향상시킬 수 있을 것이다. 또한, 실제 제조 환경에서는 실시간으로 입력되는 데이터에 대하여 빠른 대응을 필요로 하기 때문에 모델 최적화 연구를 수행하고자 한다.
본 연구에서는 베어링 이상탐지 수행을 위해 어노멀리 트랜스포머 모델 네트워크를 사용하였고 성능 비교를 위해 LSTM-AE를 사용하였다. 향후 연구를 통해 베어링의 진동 신호 데이터에 적합한 다양한 시계열 이상탐지 모델과의 비교를 통해 모델의 성능을 분석하고, 향상시킬 수 있을 것이다. 또한, 실제 제조 환경에서는 실시간으로 입력되는 데이터에 대하여 빠른 대응을 필요로 하기 때문에 모델 최적화 연구를 수행하고자 한다.

참고문헌 (34)

Aversa, R., Petrescu, R. V., Petrescu, F. I., & Apicella,？A. "Smart-factory: Optimization and process control of？composite centrifuged pipes," American Journal of？Applied Sciences, Vol.13, No.11, pp.1330-1341, 2016.？http://dx.doi.org/10.3844/ajassp.2016.1330.1341

상세보기
Pech, M., Vrchota, J., & Bednar, J. "Predictive？maintenance and intelligent sensors in smart factory,"？Sensors, Vol.21, No.4, 1470, 2021.？https://doi.org/10.3390/s21041470

상세보기
Cachada, A., Barbosa, J., Leitno, P., Gcraldcs, C. A.,？Deusdado, L., Costa, J., ... & Romero, L. "Maintenance？4.0: Intelligent and predictive maintenance system？architecture," In 2018 IEEE 23rd international？conference on emerging technologies and factory？automation (ETFA), Vol. 1, pp.139-146, Sept. 2018.？https://doi.org/10.1109/ETFA.2018.8502489
X. Jin, Y. Sun, Z. Que, Y. Wang and T. W. S. Chow,？"Anomaly Detection and Fault Prognosis for Bearings,"？in IEEE Transactions on Instrumentation and？Measurement, Vol. 65, No. 9, pp.2046-2054, Sept.？2016.？https://doi.org/10.1109/TIM.2016.2570398

상세보기
Afrooz Purarjomandlangrudi, Amir Hossein Ghapanchi,？Mohammad Esmalifalak, "A data mining approach for？fault diagnosis: An application of anomaly detection？algorithm," Measurement, Vol. 55, pp.343-352, 2014.？https://doi.org/10.1016/j.measurement.2014.05.029

상세보기
Baron, Petr, Marek Kocisko, and Jozef Dobransky.,？"The dynamic parameters correlation assessment of the？textile machine high-speed bearings in changed？technological conditions," Measurement, Vol. 116,？pp.575-585, 2018.？https://doi.org/10.1016/j.measurement.2017.11.052

상세보기
Bhuiyan, M. H. R., Islam, M. T., Islam, N., Islam, M.,？Mondol, A., Toha, T. R., & Alam, S. M. M.,？"Sound-Based Fault Detection For Textile Machinery,"？In Proceedings of the 9th International Conference on？Networking, Systems and Security, pp.53-62, December？2022. https://doi.org/10.1145/3569551.3569557
Xiaohui Gu, et al. "Rolling element bearing faults？diagnosis based on kurtogram and frequency domain？correlated kurtosis", 2012 Meas. Sci. Technol., 27？125019, 2016.？https://doi.org/10.1088/0957-0233/27/12/125019

상세보기
Sutrisno, E., Oh, H., Vasan, A. S. S., & Pecht, M.？"Estimation of remaining useful life of ball bearings？using data driven methodologies." In 2012 ieee？conference on prognostics and health management pp.？1-7, June 2012.？https://doi.org/10.1109/ICPHM.2012.6299548
Kim, S., Choi, J. H., & An, D. "Feature extraction for？bearing prognostics based on frequency energy," The journal of the Korea institute of intelligent transport？systems, vol.16, no.2, pp.128-139, 2017.？https://doi.org/10.12815/kits.2017.16.2.128

원문보기 상세보기
Zhang, S., Ye, F., Wang, B., & Habetler, T. G.？"Semi-supervised learning of bearing anomaly detection？via deep variational autoencoders," arXiv preprint？arXiv:1912.01096, 2019.？https://doi.org/10.48550/arXiv.1912.01096
Zhao, H., Liu, H., Hu, W., & Yan, X. "Anomaly？detection and fault analysis of wind turbine components？based on deep learning network," Renewable energy,？127, pp.825-834, 2018.？https://doi.org/10.1016/j.renene.2018.05.024

상세보기
Xu, F., Yang, F., Fan, X., Huang, Z., & Tsui, K. L.？"Extracting degradation trends for roller bearings by？using a moving-average stacked auto-encoder and a？novel exponential function," Measurement, 152,？107371, 2020.？https://doi.org/10.1016/j.measurement.2019.107371

상세보기
Zhang, B., Georgoulas, G., Orchard, M., Saxena, A.,？Brown, D., Vachtsevanos, G., & Liang, S. "Rolling？element bearing feature extraction and anomaly？detection based on vibration monitoring." In 2008 16th？Mediterranean Conference on Control and Automation？pp. 1792-1797, June 2008.？https://doi.org/10.1109/MED.2008.4602112
Lang, Markus, et al. "Nonlinear processing of a？shift-invariant discrete wavelet transform (DWT) for？noise reduction," Wavelet Applications II. Vol. 2491,？pp. 640-651, 1995.？https://doi.org/10.1117/12.205427
Seo, H. C., Lee, S. J., & Kim, C. H. "Development of？the Algorithm for Discriminating Faults from Variation？using Wavelet Transform," The Transactions of The？Korean Institute of Electrical Engineers, vol.60, no.8,？1460-1466, 2011.？https://doi.org/10.5370/KIEE.2011.60.8.1460

원문보기 상세보기
Cui, Y., Bangalore, P., & Tjernberg, L. B. "An？anomaly detection approach using wavelet transform？and artificial neural networks for condition monitoring？of wind turbines' gearboxes," In 2018 Power Systems？Computation Conference (PSCC), pp. 1-7, June 2018.？https://doi.org/10.23919/PSCC.2018.8442916
Yang, L., Yang, Z., Zheng, Z., He, L., Li, F., & Chen,？C. P. "Anomaly Detection based on Broad Leaning？System for Rolling Element Bearing Fault Diagnosis,"？In Proceedings of the 2022 ACM International Joint？Conference on Pervasive and Ubiquitous Computing,？pp. 462-467, September 2022.？https://doi.org/10.1145/3544793.3560408
A. B. Patil, et al. "Bearing fault diagnosis using？discrete Wavelet Transform and Artificial Neural？Network," iCATccT, pp. 399-405, 2016.？https://doi.org/10.1109/ICATCCT.2016.7912031
Ou, X., Wen, G., Huang, X., Su, Y., Chen, X., & Lin,？H. "A deep sequence multi-distribution adversarial？model for bearing abnormal condition detection,"？Measurement, 182, 109529, 2021.？https://doi.org/10.1016/j.measurement.2021.109529

상세보기
Xie, S., Liu, R., Du, L., & Tan, H. "Anomaly detection？in rolling bearings based on the Mel frequency？cepstrum coefficient and masked autoencoder for？distribution estimation," Structural Control and Health？Monitoring, vol.29, no.11, e3096, 2022.？https://doi.org/10.1002/stc.3096

상세보기
Jiang, W., Cheng, C., Zhou, B., Ma, G., & Yuan, Y.？"A novel gan-based fault diagnosis approach for？imbalanced industrial time series," arXiv preprint？arXiv:1904.00575, 2019.？https://doi.org/10.48550/arXiv.1904.00575
Provotar, O. I., Linder, Y. M., & Veres, M. M.？"Unsupervised anomaly detection in time series using？lstm-based autoencoders," In 2019 IEEE International？Conference on Advanced Trends in Information Theory？(ATIT), pp. 513-517, IEEE, 2019.？https://doi.org/10.1109/ATIT49449.2019.9030505
Chen, H., Liu, H., Chu, X., Liu, Q., & Xue, D.？"Anomaly detection and critical SCADA parameters？identification for wind turbines based on LSTM-AE？neural network," Renewable Energy, 172, 829-840,？2021.？https://doi.org/10.1016/j.renene.2021.03.078

상세보기
Miele, E. S., Bonacina, F., & Corsini, A. "Deep？anomaly detection in horizontal axis wind turbines？using graph convolutional autoencoders for multivariate？time series," Energy and AI, 8, 100145, 2022.？https://doi.org/10.1016/j.egyai.2022.100145

상세보기
Kamat, P., Sugandhi, R., & Kumar, S. "Data-driven？bearing fault detection using hybrid autoencoder-LSTM？deep learning approach," International Journal of？Modelling, Identification and Control, vol.38, no.1,？88-103, 2021.？https://doi.org/10.1504/IJMIC.2021.122471

상세보기
Kamat, P. V., Sugandhi, R., & Kumar, S. "Deep？learning-based anomaly-onset aware remaining useful？life estimation of bearings," PeerJ Computer Science, 7,？e795, 2021.？https://doi.org/10.7717/peerj-cs.795

상세보기
Kumar, A., Tomar, H., Mehla, V. K., Komaragiri, R.,？& Kumar, M. "Stationary wavelet transform based？ECG signal denoising method," ISA transactions, Vol.？114, pp.251-262, 2021.？https://doi.org/10.1016/j.isatra.2020.12.029

상세보기
Nason, G. P., & Silverman, B. W., "The stationary？wavelet transform and some statistical applications,"？Wavelets and statistics, pp.281-299, 1995.？https://doi.org/10.1007/978-1-4612-2544-7_17
Wall, Michael E., Andreas Rechtsteiner, and Luis M.？Rocha., "Singular value decomposition and principal？component analysis," In A practical approach to？microarray data analysis, pp.91-109, 2003.？https://doi.org/10.1007/0-306-47815-3_5
Xu, J., Wu, H., Wang, J., & Long, M. "Anomaly？transformer: Time series anomaly detection with？association discrepancy," arXiv preprint？arXiv:2110.02642, 2021.？https://doi.org/10.48550/arXiv.2110.02642
McFadden, P. D., & Smith, J. D. "Vibration monitoring？of rolling element bearings by the high-frequency？resonance technique-a review," Tribology？international, Vol.17, No.1, pp.3-10, 1984.？https://doi.org/10.1016/0301-679X(84)90076-8

상세보기
Patrick Nectoux, Rafael Gourive, Kamal Medjaher,？Emmanuel Ramasso, Brigitte Morello, Noureddine？Zerhouni, Christophe Varnier, "PRONOSTIA: An？Experimental Platform for Bearings Accelerated Life？Test," IEEE International Conference on Prognostics？and Health Management, Denver, CO, USA, 2012.？https://hal.science/hal-00719503
Elmrabit, N., Zhou, F., Li, F., & Zhou, H. "Evaluation？of machine learning algorithms for anomaly detection,"？In 2020 international conference on cyber security and？protection of digital services (cyber security) pp. 1-8,？June 2020.？https://doi.org/10.1109/CyberSecurity49315.2020.9138871

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