http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
합성곱 신경망 알고리즘을 활용한 베어링 다중 고장 진단 모델 개발
이상원(S. W. Lee),이창호(C. H. Lee),김진우(J. W. Kim),김수종(S. J. Kim) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
회전 기계에서 베어링은 전체 기계시스템의 구동 및 제어에 핵심적인 역할을 하므로 장비의 안전하고 지속적인 작동을 위해서는 베어링의 유지 보수 및 상태 모니터링이 필수적이다. 본 연구에서는 베어링의 예상치 못한 파손으로 인한 기계시스템의 손상에 대비하기 위해, 대표적인 딥러닝 알고리즘인 Convolutional Neural Networks (CNN)을 활용한 베어링의 고장 상태 및 고장 종류 진단 모델을 개발하였다. 베어링 시뮬레이터를 사용하여, 정상 및 고장 상태의 베어링의 회전운동을 구현하였으며, 각 베어링 상태에서의 신호 데이터는 2 개의 가속도 센서를 X, Y 축에 고정시켜 수집하였다. 고장 상태는 4 종류로 볼, 케이지, 외륜, 내륜 고장을 부품에 모사하였으며, 정상 및 고장 상태의 데이터 세트는 각각 500 개씩 수집하였다. 베어링 상태의 시계열 데이터 신호는 Short Time Fourier Transform (STFT) 기법으로 전처리 하였고 두 단계의 CNN 알고리즘을 활용하여 진단 모델을 개발하였다. 첫 번째 단계에서는 정상 및 고장 상태를 분류할 수 있는 모델로 설계하였고 두 번째 단계에서는 고상 상태로 분류된 데이터 세트에 대해서 4가지의 고장 종류를 분류할 수 있는 모델로 설계하였다. 각 단계에서 사용된 CNN 알고리즘 설계는 동일하며, K-fold Cross Validation 을 통해 개발된 모델에 대한 검증을 수행하였다.