초록 ▼

연구개요
딥 러닝에 근거한 대규모 고차원 데이터 분석 기법을 활용하여 회전기기에 대한 물리적 모델링 또는 해석적 고려가 전혀 없이시스템 내부에서 발생한 결함 및 비정상 운전 상태를 오로지 데이터 수준에서 시각화를 통해 진단하고 평가하는 알고리즘을 개발한다. 이를 위해 먼저, 회전기기의 동적 응답을 다양한 형태의 센서를 통해 추출한다. 여기서 획득된 대규모 고차원 시계열 데이터를 EMD, ARX, Wavelet decomposition 등 순수한 차원 축소과정을 통해 결함-민감도 와상관관계에 근거해 파라미터 형태로 추출한다. 결

연구개요
딥 러닝에 근거한 대규모 고차원 데이터 분석 기법을 활용하여 회전기기에 대한 물리적 모델링 또는 해석적 고려가 전혀 없이시스템 내부에서 발생한 결함 및 비정상 운전 상태를 오로지 데이터 수준에서 시각화를 통해 진단하고 평가하는 알고리즘을 개발한다. 이를 위해 먼저, 회전기기의 동적 응답을 다양한 형태의 센서를 통해 추출한다. 여기서 획득된 대규모 고차원 시계열 데이터를 EMD, ARX, Wavelet decomposition 등 순수한 차원 축소과정을 통해 결함-민감도 와상관관계에 근거해 파라미터 형태로 추출한다. 결함의 발생 유무 및 크기, 위치 등과 관련된 고유한 특성을 이에 투영된 기저함수 별로 분류하고, 궁극적으로는 데이터 임베딩을 통해 추출된 결함 정보를 Isomap, RBM, t-SNE 등과 같은 딥 러닝 기법에 적용하여회전기기의 건전성을 데이터 수준에서 시각화 하고자 한다.

연구 목표대비 연구결과
회전기기 진동신호에 대한 EMD, ARX 및 wavlet decomposition을 이용한 손상 발생 전후 가속도 신호의 분해하였다. PCA-기반 데이터 분류기법을 활용한 베어링/기어 손상에 따른 결함벡터 추출하였고, 회전 주파수 변화에 따른 회전체 시스템의 시계열 성분분석 IMF 분해하였다. 또한, 진동 데이터 EMD/Wavelet/ARX 결함 민감 feature 추출 및 결함 특성 시각화 제공하였다. 이미 확보된 빅 데이터를 시스템의 동적 특성 및 결함에 민감한 예지형 데이터군으로 재편집 → 추출(분류) → 분석 과정을 진행하였다.
센서 데이터에 대한 RBM 분류 및 특이점 분석(outlier analysis): 발생한 결함 위치 및 형태 예측하고, 다양한 시각화 기법을 활용한 data embeeding 결과를 도출하였다. 궁극적으로 Permutation 엔트로피를 이용한 베어링 시스템의 결함 인자 시각화 프레임을 개발하여 해외 유명(SCI) 학술지에 게재를 완료하였다.

연구개발결과의 중요성
지난 3년간의 연구성과를 바탕으로 기어부나 베어링을 포함하는 회전기계에서 발생가능한 구조적 결함 또는 기계적 고장을 그 증상에 따라 초기에 탐지해 낼 수 있는 실시간 감시 시스템 구현에 활용될 것이다. 특히, 본 과제의 연구 성과는 시스템의 건전성을 실시간으로 평가하고, 회전기 내부에서 발생한 결함의 특성을 신속히 파악할 수 있는 기술적 대안으로 제공될 수 있다. 이러한 연구가 지속적으로 진행되면, 잡음신호와 환경적 요인에 의해 묻히기 쉬운 결함 신호를 선택적으로 증폭시켜 구조물에 발생한 결함을 조기에 발견하는 기술을 확보하게 될 것이다. 특히, 진동 센서데이터를 활용한 안전 및 위기관리 기술이 개발될 수 있다. 본 연구를 확장하여, 무선센서 및 고성능 카메라 등을 활용한 사회 인프라 시스템의 안전성 평가 기법을 개발하고 이를 주요 국가시설물 건전성 모니터링 기술에 응용할 수 있을 것으로 판단된다.

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 3
• 2. 연구수행내용 및 연구결과 ... 3
• 3. 연구개발결과의 중요성 ... 5
• 4. 참고문헌 ... 5
• 5. 연구성과 ... 6
• 끝페이지 ... 6