선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 베어링의 고장 분류를 위한 알고리즘을 소개하였다. 주파수 영역에서 신호를 전처리(Preprocessing)한 후 최적의 RBF 커널함수 매개변수와 특징 벡터 선택에 대해 연구하였다.
제안 방법
- 4에서 나타내는 바와 같이 각 유형별 스펙트럼이 독립적으로 결합 유형 간 중복 없이 나타남을 알 수 있다. 따라서 본 논문에서는 스펙트럼 상에 나타나는 피크 신호를 특징 벡터로 추출하여 베어링 상태를 진단한다.
- 과거의 표본과 현재의 입력된 표본을 바탕으로 표본 간 상관관계를 모델링하는 방법에는 대표적으로 선형 예측 코딩(Linear Predictive Coding, LPC)이 있으나, LPC 계수는 출력 신호에 포함되는 잡음에 의해 값의 변화가 심한 단점을 가지고 있다. 따라서 본 논문에서는 신호 취득 시 생길 수 있는 잡음을 고려하여 이러한 현상에 LPC보다 강한 편 상관 계수(Partial Correlation Coefficients, PARCOR)를 특징 벡터로 사용한다.
- 본 논문에서는 음향방출 신호를 주파수 영역으로 변환하여 각 베어링 결함 상태에서 나타나는 신호를 특징으로 추출하여 DET(Distance Evaluation Technique)를 통해 선정된 최적의 유형별 결함을 SVR(support vector regression)으로 진단한다. 제안한 알고리즘을 검증하기 위해 베어링의 기계적 결함 상태6가지의 음향방출 신호를 사용하였다.
- 를 이용하면 효과적으로 C유형의 특징들을 나누어 선정할 수 있다. 본 논문에서는 특징 선정 개수에 변화를 주어 최적의 특징 선정 개수를 선택한다.
- 잡음이 최소화된 신호에 PARCOR 기법을 활용하여 본 논문에서 사용한 6가지 유형의 베어링 고장 신호에 대한 각 유형별 특징을 추출하고, DET로 최적의 특징 개수를 선택한다. 선택된 특징을 SVR을 통하여 입력된 실험 특징과 학습된 특징을 비교하여 베어링의 상태를 진단한다.
- 6는 실험 진행에 활용된 베어링 음향방출 신호 취득 장치와 절차이다. 음향방출 센서는 구동축 피구동축의 베어링 케이싱 부분에 부착하여 실험을 수행하였으며, 회전속도 15Hz에 맞춰 실험을 수행하였다.
- 주파수 영역의 정보를 포락처리하면 신호 취득시 결함 신호와 주변에 생성되는 측대역파 외 추가되는 잡음을 최소화하는 효과가 있다. 잡음이 최소화된 신호에 PARCOR 기법을 활용하여 본 논문에서 사용한 6가지 유형의 베어링 고장 신호에 대한 각 유형별 특징을 추출하고, DET로 최적의 특징 개수를 선택한다. 선택된 특징을 SVR을 통하여 입력된 실험 특징과 학습된 특징을 비교하여 베어링의 상태를 진단한다.
- 본 논문에서는 베어링의 고장 분류를 위한 알고리즘을 소개하였다. 주파수 영역에서 신호를 전처리(Preprocessing)한 후 최적의 RBF 커널함수 매개변수와 특징 벡터 선택에 대해 연구하였다.
- 7은 베어링 각 부분별 결함을 나타낸다. 최대 길이 6mm 깊이 0.6mm 로 내륜(Inner), 외륜(Outer), 롤러(Roller)에 각각 결함을 주었으며 단일 결함과 복합결함에 대한 분류 실험을 수행하였다.
- 최적의 선택 개수로 고장 유형별 선정된 특징을 SVR입력으로 사용하여 베어링 고장을 분류하였다. 최적의 특징 벡터 추출을 위해 특징의 수를 2에서 15로, 매개변수를 0.
대상 데이터
- 제안한 알고리즘을 검증하기 위해 베어링의 기계적 결함 상태6가지의 음향방출 신호를 사용하였다. 각 신호는 초당 1,000,000Hz로 샘플링된 음향방출 신호를 61개씩 사용하였으며, 25개의 신호는 분류기 학습에 사용되었고. 나머지 36개를 실험에 사용하였다.
- 각 신호는 초당 1,000,000Hz로 샘플링된 음향방출 신호를 61개씩 사용하였으며, 25개의 신호는 분류기 학습에 사용되었고. 나머지 36개를 실험에 사용하였다.
- 본 논문에서는 음향방출 신호를 주파수 영역으로 변환하여 각 베어링 결함 상태에서 나타나는 신호를 특징으로 추출하여 DET(Distance Evaluation Technique)를 통해 선정된 최적의 유형별 결함을 SVR(support vector regression)으로 진단한다. 제안한 알고리즘을 검증하기 위해 베어링의 기계적 결함 상태6가지의 음향방출 신호를 사용하였다. 각 신호는 초당 1,000,000Hz로 샘플링된 음향방출 신호를 61개씩 사용하였으며, 25개의 신호는 분류기 학습에 사용되었고.
이론/모형
- 대부분의 경우 주어진 자료는 선형적으로 분류되지 않는 경우가 많은데, 이런 경우 커널 함수(kernel fuction)를 이용하여 주어진 데이터를 고차원의 공간으로 사상시켜 분류한다. 대표적으로 polynomial function, Gaussian radial basis function 등이 있으며, 본 논문에서는 일반적으로 좋은 분류 성능을 보이는 RBF(Gaussian radial basis function)를 이용하였다. 본 논문에서 활용하는 RBF커널 함수는 식 (15)로 나타낼 수 있다(12).
성능/효과
- 9%의 높은 분류 정확도를 보였다. 실험은 전술한 최적의 RBF 커널함수의 매개변수와 DET 특징 개수 선택을 위해 커널함수의 매개변수는 0.01에서 1.0까지, 특징 개수는 2개부터 15개까지 바꿔가며 실험한 결과 잡음이 없는 상태의 음향 방출 신호에서 최적의 분류가 가능한 매개변수 수치는 0.08, 특징 개수 선택은 12개가 요구된다.
- 최적의 선택 개수로 고장 유형별 선정된 특징을 SVR입력으로 사용하여 베어링 고장을 분류하였다. 최적의 특징 벡터 추출을 위해 특징의 수를 2에서 15로, 매개변수를 0.01에서 1.0으로 바꾸어 가며 실험한 결과 94%이상의 높은 분류 성능을 보였음을 확인할 수 있었다. 이러한 결과는 음향방출 신호를 활용하여 추출된 특징으로 신뢰성 있는 조기 결함 시스템에 활용 할 수 있음을 보여준다.
- 학습된 각 유형별 25개 표본을 제외한 36개의 데이터로 실험한 결과 평균 94.9%의 높은 분류 정확도를 보였다. 실험은 전술한 최적의 RBF 커널함수의 매개변수와 DET 특징 개수 선택을 위해 커널함수의 매개변수는 0.
후속연구
- 0으로 바꾸어 가며 실험한 결과 94%이상의 높은 분류 성능을 보였음을 확인할 수 있었다. 이러한 결과는 음향방출 신호를 활용하여 추출된 특징으로 신뢰성 있는 조기 결함 시스템에 활용 할 수 있음을 보여준다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.