[논문]적응적 자가 튜닝 서포트벡터머신을 이용한 베어링 고장 진단

김재영; 김종면; 최병근; 손석만

적응적 자가 튜닝 서포트벡터머신을 이용한 베어링 고장 진단
Bearing Fault Diagnosis using Adaptive Self-Tuning Support Vector Machine 원문보기

김재영 (울산대학교 전기전자컴퓨터공학과) , 김종면 (울산대학교 전기공학부) , 최병근 (국립경상대학교 에너지기계공학부) , 손석만 (한국전력공사 전력연구원)

본 논문에서는 서포트 벡터 머신 (SVM)의 분류 성능에 영향을 주는 인수인 C와 ${\sigma}$ 값을 적응적으로 최적화할 수 있는 적응적 자가튜닝 SVM을 이용한 베어링의 상태 진단 방법을 제안한다. SVM의 각 인수의 변화에 따른 베어링 상태 진단의 성능 변화 패턴을 분석하여 적합한 인수를 적응적으로 찾을 수 있는 방법을 제안하고, 제안한 방법의 우수성을 검증하기 위해 실제 베어링 신호를 이용하여 기존방법인 격자탐색과의 성능을 비교하였다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 RBF커널을 이용한 SVM의 최적 인수을 적응적으로 빠르게 탐색할 수 있는 방법을 제안하고, 이를 베어링 상태 진단에 적용 및 기존 방법과 비교하여 제안한 방법의 우수성을 검증한다.
본 연구에서는 베어링 상태 진단에 사용되는 SVM 분류기의 최적 인수를 찾는데 기존 방법인 격자탐색의 실행시간이 오래 걸린다는 문제점을 제시하고 이를 해결하기 위해 자가튜닝 SVM을 제안하였다. 인수의 변화에 따른 SVM 분류 성능의 패턴을 분석하고 방향성을 찾았다.
본 연구에서는 베어링 상태 진단에 사용되는 분류기를 적응적으로 최적화 할 수 있는 자가튜닝 SVM을 제안한다. 제안한 방법의 우수성을 검증하기 위해 구름요소 베어링(FAG NJ206-E-TVP2)에 3mm길이의 외륜, 내륜, 롤러 결함을 내어 300RPM(revolution per a minute)으로 회전하는 자체 제작한 폴트 시뮬레이터에 장착한 후 음향방출 센서를 베어링 하우징에 부착하여 5초길이의 신호들을 각 결함별로 90샘플씩 취득하였다.

제안 방법

분류 성능이 증가하는 방향에 따라 인수를 변화하며 분류성능을 평가하여 최적의 인수를 단시간에 찾을 수 있었다. 또한, 실제 취득한 베어링 결함 신호를 이용하여 우수성을 검증하였다
본 연구에서는 베어링 상태 진단에 사용되는 SVM 분류기의 최적 인수를 찾는데 기존 방법인 격자탐색의 실행시간이 오래 걸린다는 문제점을 제시하고 이를 해결하기 위해 자가튜닝 SVM을 제안하였다. 인수의 변화에 따른 SVM 분류 성능의 패턴을 분석하고 방향성을 찾았다. 분류 성능이 증가하는 방향에 따라 인수를 변화하며 분류성능을 평가하여 최적의 인수를 단시간에 찾을 수 있었다.
본 연구에서는 베어링 상태 진단에 사용되는 분류기를 적응적으로 최적화 할 수 있는 자가튜닝 SVM을 제안한다. 제안한 방법의 우수성을 검증하기 위해 구름요소 베어링(FAG NJ206-E-TVP2)에 3mm길이의 외륜, 내륜, 롤러 결함을 내어 300RPM(revolution per a minute)으로 회전하는 자체 제작한 폴트 시뮬레이터에 장착한 후 음향방출 센서를 베어링 하우징에 부착하여 5초길이의 신호들을 각 결함별로 90샘플씩 취득하였다. 각 결함의 30샘플은 SVM을 학습시키는데 사용되었고 60샘플은 베어링 상태 진단 실험에 사용하였다.

대상 데이터

제안한 방법의 우수성을 검증하기 위해 구름요소 베어링(FAG NJ206-E-TVP2)에 3mm길이의 외륜, 내륜, 롤러 결함을 내어 300RPM(revolution per a minute)으로 회전하는 자체 제작한 폴트 시뮬레이터에 장착한 후 음향방출 센서를 베어링 하우징에 부착하여 5초길이의 신호들을 각 결함별로 90샘플씩 취득하였다. 각 결함의 30샘플은 SVM을 학습시키는데 사용되었고 60샘플은 베어링 상태 진단 실험에 사용하였다. 그림3은 외륜과 내륜의 분류에 대한 격자탐색의 결과(검은 점)와 제안한 방법의 결과(하늘색 점)를 보인다.

성능/효과

베어링 상태 진단의 분류 성능은 99.8%를 보였고, 실행시간에서는 격자탐색을 이용한 SVM의 경우 SVM 최적 변수 조합을 찾는데 11.3초의 시간이 걸렸으나, 제안한 방법으로 SVM의 최적 변수 조합을 찾는데는 1.7초가 소요되어 제안한 방법이 기존 방법보다 약 6.6배 더 빠르게 최적 변수 조합을 찾았다.
그림1에서 볼 수 있듯이 분류 성능이 C와 σ 값의 변화에 따라 볼록한 곡선 패턴으로 변화한다. 이는 두 인수의 조합이 분류 성능에 대해 방향성을 갖는다는 것이므로 분류성능이 증가하는 방향을 찾을 수 있다면 모든 인수 조합에 대해 분류 성능을 평가하는 것보다 분류 성능이 증가하는 방향으로 일부 조합에 대해서만 분류 성능을 평가하는 것이 최적 인수를 찾는데 더 적은 시간이 걸린다는 사실을 알 수 있다.

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

적응적 자가 튜닝 서포트벡터머신을 이용한 베어링 고장 진단
Bearing Fault Diagnosis using Adaptive Self-Tuning Support Vector Machine 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

적응적 자가 튜닝 서포트벡터머신을 이용한 베어링 고장 진단 Bearing Fault Diagnosis using Adaptive Self-Tuning Support Vector Machine 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

적응적 자가 튜닝 서포트벡터머신을 이용한 베어링 고장 진단
Bearing Fault Diagnosis using Adaptive Self-Tuning Support Vector Machine 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper