[논문]설비 결함 식별 최적화를 위한 오토인코더 기반 N 분할 주파수 영역 이상 탐지

박기창; 이용관

doi:10.3745/tkips.2024.13.3.130

설비 결함 식별 최적화를 위한 오토인코더 기반 N 분할 주파수 영역 이상 탐지
Autoencoder Based N-Segmentation Frequency Domain Anomaly Detection for Optimization of Facility Defect Identification 원문보기

The Transactions of the Korea Information Processing Society, v.13 no.3, 2024년, pp.130 - 139

박기창 ((주)리쉐니에 제조지능화기술연구소) , 이용관 (한국공학대학교 그랜드ICT연구센터)

초록
AI-Helper

제조 분야 설비 예지보전을 위해서 진동, 전류, 온도 등 물리 데이터를 기반으로 설비 이상을 탐지하는 인공지능 학습 모델이 활용되고 있다. 설비 결함, 고장 등 설비 이상 유형은 매우 다양하므로, 주로 오토인코더 기반 비지도 학습 모델을 이용한 이상 탐지 방법이 적용되고 있다. 설비 상태의 정상, 비정상 여부는 오토인코더의 재구성 오차를 이용해 효과적으로 분류할 수 있지만, 설비 이상의 구체적인 상태를 식별하는 데 한계가 있다. 설비 불균형, 정렬 불량, 고정 불량 등 설비 이상 상황 발생 시, 설비 진동 주파수는 특정 영역에서 정상 상태와 다른 패턴을 나타낸다. 본 논문에서는 전체 진동 주파수 범위를 N개 영역으로 나누어 이상 탐지를 수행하는 N 분할 이상 탐지 방법을 제시하였다. 압축기의 진동 데이터를 이용해 주파수와 강도를 달리한 9종의 이상 데이터를 대상으로 실험한 결과, N 분할을 적용하였을 때 더 높은 이상 탐지 성능을 나타냈다. 제안 방법은 설비 이상 탐지 이후, 설비 이상 구체화에 활용될 수 있다.

Abstract ▼ AI-Helper

Artificial intelligence models are being used to detect facility anomalies using physics data such as vibration, current, and temperature for predictive maintenance in the manufacturing industry. Since the types of facility anomalies, such as facility defects and failures, anomaly detection methods using autoencoder-based unsupervised learning models have been mainly applied. Normal or abnormal facility conditions can be effectively classified using the reconstruction error of the autoencoder, but there is a limit to identifying facility anomalies specifically. When facility anomalies such as unbalance, misalignment, and looseness occur, the facility vibration frequency shows a pattern different from the normal state in a specific frequency range. This paper presents an N-segmentation anomaly detection method that performs anomaly detection by dividing the entire vibration frequency range into N regions. Experiments on nine kinds of anomaly data with different frequencies and amplitudes using vibration data from a compressor showed better performance when N-segmentation was applied. The proposed method helps materialize them after detecting facility anomalies.

주제어

표/그림 (22)

그림 Fig. 1. Shape of Vibration Frequency by Fault Type
그림 Fig. 2. N-segmentation Anomaly Detection
그림 Fig. 3. Autoencoder Model for Anomaly Detection
표 Fig. 4. Algorithm of Determining the Thresholds
표 Fig. 5. Algorithm of Anomaly Detection
그림 Fig. 7. Compressor and Sensor
그림 Fig. 6. The process of N-division anomaly detection
그림 Fig. 8. Time Domain and Frequency Domain
그림 Fig. 9. Structure of the Model
그림 Fig. 10. Reconstructed Signal by the Model
표 Table 1. Hyperparameters of the Model
그림 Fig. 11. Reconstruction Plots of the Model
그림 Fig. 12. Anomaly Signal Generation
그림 Fig. 13. Result of Anomaly Detection (N=0)
그림 Fig. 14. Results of Anomaly Detection (N=2, 4, 8, 16)
그림 Fig. 15. Result of Test 9 (N=2)
표 Table 2. TPR of N-segmentation Method
그림 Fig. 16. Result of Test 3 (N=4)
그림 Fig. 17. Anomaly Detection by Frequency Region
표 Table 3. Results of Anomaly Detection
표 Table 4. Average TPR by Model
그림 Fig. 18. Variance of Each Frequency

참고문헌 (25)

Z. M. Cinar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, and B. Safaei, "Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0," Sustainability, Vol.19, No.19, 2020. DOI: 10.3390/su12198211？

상세보기
S. Namuduri, B. N. Narayanan, V. S. P. Davuluru, L. Burton, and S. Bhansali, "Review-deep learning methods for sensor based predictive maintenance and future perspectives for electrochemical sensors," Journal of The Electrochemical Society, Vol.167, No.3, 2020. DOI: 10.1149/1945-7111/ab67a8？

상세보기
K. Park and Y. Lee, "Anomaly detection in combined driving system based on unsupervised learning," Journal of the Korean Society for Precision Engineering, Vol.40, No.11, 2023. DOI: 10.7736/JKSPE.023.068？

상세보기
Y. K. Lee, S. Lee, and S. H. Kim, "Real-time defect monitoring of laser micro-drilling using reflective light and machine learning models," International Journal of Precision Engineering and Manufacturing, Vol.25, 2024. DOI: 10.1007/s12541-023-00849-w？

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

상세보기
N. Azeem and Y. Xiaoqing, "Experimental study on the Condition Monitoring of Shaft Unbalance by using Vibrations Spectrum and phase Analysis," in Proceedings of the Condition Monitoring and Diagnosis, 2018. DOI: 10.1109/CMD.2018.8535737？
N. Azeem, X. Yuan, H. Raza, and I. Urooj, "Experimental condition monitoring for the detection of misaligned and cracked shafts by order analysis," Advances in Mechanical Engineering, Vol.11, No.5, 2019. DOI: 10.1177/1687814019851307？

상세보기
D. Mohamed, B. Rania, and H. Meftah, "Detection of unbalance and looseness faults in a ventilation turbine using vibration signature analysis," IOP Conference Series: Materials Science and Engineering, Vol.1244, No.1, 2022. DOI: 10.1088/1757-899X/1244/1/012022？

상세보기
S. A. Mohammed, N. M. Ghazaly, and J. Abdo, "Fault diagnosis of crack on gearbox using vibration-based approaches," Symmetry, Vol.14, 2022. DOI: 10.3390/sym14020417？

상세보기
O. Mey, W. Neudeck, A. Schneider, and O. Enge-Rosenblatt, "Machine learning-based unbalance detection of a rotating shaft using vibration data," arXiv preprint, 2020. DOI: 10.48550/arXiv.2005.12742？
R. E. Bouisfi, L. E. Menzhi, and X. Chiementin, "Supervised classification of induction motors faults," in Proceedings of the International Conference on Energy and Green Computing, 2021. DOI: 10.1051/e3sconf/202233600051？

상세보기
T. Chen, X. Liu, B. Xia, W. Wang, and Y. Lai, "Unsupervised anomaly detection of industrial robots using sliding-window convolutional variational autoencoder," IEEE Access, Vol.8, pp.47072-47081, 2020. DOI: 10.1109/ACCESS.2020.2977892？

상세보기
S. Givnan, C. Chalmers, P. Fergus, S. Ortega-Martorell, and T. Whalley, "Anomaly detection using autoencoder reconstruction upon industrial motors," Sensors, Vol.22, 2022. DOI: 10.3390/s22093166？

상세보기
Y. Huang, C. -H. Chen and C. -J. Huang, "Motor fault detection and feature extraction using RNN-Based variational autoencoder," IEEE Access, Vol.7, pp.139086-139096, 2019. DOI: 10.1109/ACCESS.2019.2940769？

상세보기
T. Tziolas, K. Papageorgiou, T. Theodosiou, E. Papageorgiou, T. Mastos, and A. Papadopoulos, "Autoencoders for anomaly detection in an industrial multivariate time series dataset," Engineering Proceedings, Vol.18, 2022. DOI: 10.3390/engproc2022018023？
S. Zhang, F. Ye, B. Wang, and T. G. Habetler, "Semi-supervised learning of bearing anomaly detection via deep variational autoencoders," arXiv preprint, 2019. DOI: 10.48550/arXiv.1912.01096？
I. Thoidis, M. Giouvanakis, and G. Papanikolaou, "Semi-supervised machine condition monitoring by learning deep discriminative audio features," Electronics, Vol.10, 2021. DOI: 10.3390/electronics10202471？

상세보기
O. Yilmaz, M. Aksoy, and Z. Kesilmis, "Misalignment fault detection by wavelet analysis of vibration signals," International Advanced Researches and Engineering Journal, Vol.3, No.3, 156-163, 2019. DOI: 10.35860/iarej.451528？
B. Cahyono, D. Priyanta, and F. R. F. Ramadhan, "Vibration spectrum analysis for indicating damage on turbine and steam generator amurang unit 1," International Journal of Marine Engineering Innovation and Research, Vol.2, 2017. DOI: 10.12962/j25481479.v2i1.2688？
S. Ahmad, K. Styp-Rekowski, S. Nedelkoski, and O. Kao, "Autoencoder-based condition monitoring and anomaly detection method for rotating machines," in Proceedings of IEEE International Conference on Big Data, 2020.？
I. Ahmed, M. Ahmad, A. Chehri, and G. Jeon, "A Smart-Anomaly-Detection System for Industrial Machines Based on Feature Autoencoder and Deep Learning," Micro-machines, Vol.14, 2023. DOI: 10.3390/mi14010154？

상세보기
M. Rao, M. J. Zuo, and Z. Tian, "A speed normalized autoencoder for rotating machinery fault detection under varying speed conditions," Mechanical Systems and Signal Processing, Vol.189, 2023. DOI: 10.1016/j.ymssp.2023.110109？

상세보기
O. Serradilla, E. Zugasti, J. Ramirez de Okariz, J. Rodriguez, and U. Zurutuza, "Adaptable and explainable predictive maintenance: Semi-supervised deep learning for anomaly detection and diagnosis in press machine data," Applied Sciences, Vol.11, 2021. DOI: 10.3390/app11167376？

상세보기
T. Tziolas, K. Papageorgiou, T. Theodosiou, E. Papageorgiou, T. Mastos, and A. Papadopoulos, "Autoencoders for anomaly detection in an industrial multivariate time series dataset," Engineering Proceedings, Vol.18, 2022. DOI: 10.3390/engproc2022018023？
M. Z. Naser and A. Alavi, "Insights into performance fitness and error metrics for machine learning," arXiv preprint, 2020. DOI: 10.48550/arXiv.2006.00887

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