CNN 기반 딥러닝을 이용한 베어링 고장 진단의 정확도 및 계산 복잡도 분석

박재현,김철홍 한국차세대컴퓨팅학회 2022 한국차세대컴퓨팅학회 논문지 Vol.18 No.1

산업 현장에서 사용되는 기계 설비 고장의 상당 부분을 베어링의 고장이 차지하고 있는 상황에서, 베어링 고장으로 인해 발생하는 경제적/시간적 손실을 최소화하기 위해서는 빠르고 정확한 베어링 고장 진단 시스템 구축이 요구된다. 본 논문에서는 베어링의 상태 정보를 담고 있는 음향 방출 신호를 시간-주파수 영역의 스펙트로그램 이미지로 변환한 후에, CNN 기반 딥러닝을 적용하여 베어링의 상태를 정확하게 판단할 수 있는 베어링 고장 진단 기법을 제안한다. 제안된 고장 진단 기법을 다양한 CNN 모델을 활용하여 구현함으로써 CNN 모델에 따른 딥러닝 기반 베어링 고장 진단의 정확성을 평가하고자 한다. 또한, 실제 산업 현장에서의 실시간 고장 진단 가능성을 판단하기 위해 CNN 모델에 따른 고장 진단 계산 복잡도를 분석한다. 이를 위해, 적용되는 CNN 모델에 따른 고장 진단 연산의 Multiply-Accumulate 복잡도를 구하고 실제 현장 적용에 적합할 것으로 판단되는 CNN 모델을 선택한 후, 해당 CNN 모델이 적용된 고장 진단을 라즈베리파이보드에서 동작시켜 봄으로써 산업 현장에 적용 가능한 임베디드시스템에서의 실시간 진단 가능성을 확인하고자 한다. 실험 결과, 기존의 신호 처리를 기반으로 하는 베어링 고장 진단 기법들이 약 80%의 정확도를 보여주는 반면 제안하는 딥러닝을 적용한 베어링 고장 진단 기법은 100%에 가까운 높은 진단 정확도를 제공한다. 하지만, 가장 낮은 계산 복잡도를 요구하는 ShuffleNet을 적용하는 제안 기법의 경우에도 라즈베리파이보드에서 진단을 수행하는데 24,270ms를 소요하여, 산업 현장에서 사용되기 위해서는 계산 복잡도를 더욱 낮출 수 있는 방안이 개발되어야 함을 알 수 있다. Bearing faults account for a large portion of machine faults in real industrial sites. To minimize the damages caused by bearing faults, it is necessary to provide an accurate real-time bearing faults diagnosis system. In this work, we propose a new bearing fault diagnosis method using deep learning with various CNN models, where acoustic emission signals from working bearings are used to analyze the status of bearings. In the proposed method, the acoustic emission signals acquired from the bearings are converted into spectrogram images in the time-frequency domain, and then the status of bearings can be diagnosed through deep learning with various CNN models. Traditional signal processing based bearing fault diagnosis methods show the accuracy of about 80%, while our proposed deep learning based method provides very high fault diagnosis accuracy of about 100%. We also apply the proposed deep learning based fault diagnosis method to Raspberry Pi to test the availability for the working conditions in real industrial sites. We measured the multiply-accumulate complexity of the fault diagnosis process with various CNN models to find the CNN model suitable for real working conditions, and then the selected ShuffleNet CNN model was implanted and operated in Raspberry Pi to check the possibility of real-time bearing fault diagnosis.

베어링 고장 진단을 위한 CNN 기반 딥러닝의 계산 복잡도 감소 기법

박재현,김철홍 한국디지털콘텐츠학회 2023 한국디지털콘텐츠학회논문지 Vol.24 No.6

Recently, deep learning methods have been adopted in bearing faults diagnosis to improve the accuracy; however, deep learning methods require much more computation complexity compared to previous signal processing methods. This paper proposes a method to reduce the computation complexity of the deep learning-based bearing faults diagnosis. The acoustic emission signals obtained from the working bearings are converted into spectrogram images, and CNN models are then applied to monitor the bearings' status. The mechanical facilities adopted in real industrial sites have difficulty using expensive processing devices, such as high-performance GPUs. Therefore, a bearing fault diagnosis method for embedded systems is necessary. The proposed method consists of two phases: an initial fault diagnosis phase that classifies normal/abnormal states and a fault-type classification phase determining the defect type for abnormal states. Our experiments using a Raspberry Pi board reveal that the proposed method decreases the time for bearing faults diagnosis by approximately 55% without compromising diagnostic accuracy. 산업 현장에서 사용되는 회전 기계의 상태를 진단하는 데 있어서 주요 부품인 베어링의 결함 발생 여부를 빠르고 정확하게 판단하는 것은 매우 중요하다. 베어링 고장 진단을 위해 최근에는 딥러닝 기법이 많이 활용되고 있는데, 딥러닝 기반 베어링 고장 진단 기법의 단점은 기존의 신호 분석 기법과 비교하여 상당히 복잡한 계산을 요구한다는 것이다. 본 논문에서는 베어링에서 획득한 음향 방출 신호를 활용하는 딥러닝을 통해 정확하게 고장을 진단하는 기존 기법의 계산 복잡도를 크게 감소시킬 수 있는 새로운 진단 기법을 제안한다. 실제 산업 현장에서 사용되는 회전 기계 설비는 고성능 GPU와 같은 높은 계산 처리량을 제공하는 장비를 활용하는데 제약이 있기 때문에 제한된 성능의 임베디드 보드에서도 빠르게 동작할 수 있는 고장 진단 기법이 요구되기 때문이다. 고장 진단을 위한 기존의 CNN 모델에서 레이어를 분리하여 베어링의 정상/비정상 상태만을 구분하는 초기 고장 진단 단계와 비정상 상태로 구분되는 경우에 한해 어떤 유형의 베어링 결함이 발생한 것인지를 판별하는 고장 원인 분류 단계로 구성함으로써 전체적인 고장 진단 정확도에는 거의 영향을 미치지 않는 수준에서 계산 복잡도를 약 55% 감소시킬 수 있다.

복합고장을 가지는 농형유도전동기의 모델링과 웨이블릿 분해를 이용한 고장진단

김연태(Yountae Kim),배현(Hyeon Bae),박진수(Jinsu Park),김성신(Sung shin Kim) 한국지능시스템학회 2006 한국지능시스템학회논문지 Vol.16 No.6

유도전동기는 산업시스템에 있어서 필수적인 요소이기 때문에 유지 관리, 모니터링 시스템, 고장 진단 등의 다양한 분야에서 많은 연구가 행해지고 있다. 유도전동기의 운전 중 하나의 고장이 발생한 경우 이것은 전동기의 다른 부분에 영향을 미치거나 또 다른 고장을 유발시키는 원인이 된다. 따라서 개별적인 고장뿐만 아니라 결합된 형태의 고장을 검출하고 진단하는 것은 유용한 방법이다. 본 논문에서는 전압불평형 고장과 회전자바 고장이 발생한 경우, 그리고 두 고장이 동시에 복합 적으로 발생한 경우를 모델링하고 이에 대해 고장을 웨이블릿 분해를 이용하여 진단하였다. 제안된 고장 검출 및 진단 알고리즘은 농형유도전동기의 고정자 전류를 이용하였으며 매트랩 시뮬링크를 사용하여 시뮬레이션 하였다. Induction motors are critical components in industrial process. So there are many research in the condition based maintenance, online monitoring system, and fault detection. This paper presents a scheme on the detection and diagnosis of the three-phase squirrel induction motor under unbalanced voltage, broken rotor bar, and a combination of these two faults. Actually one fault happen in operation, it influence other component in motor or cause another faults. Accordingly it is useful to diagnose and detect a combination fault in induction motor as well as each fault. The proposed fault detection and diagnosis algorithm is based on the stator currents from the squirrel induction motor and simulated with the aid of Matlab Simulink.

슬라이딩 모드 관측기를 이용한 기구학 모델 기반 자율주행 자동차의 예견 고장진단 알고리즘

오광석(Kwang Seok Oh),이경수(Kyong Su Yi) 대한기계학회 2017 大韓機械學會論文集A Vol.41 No.10

본 논문은 슬라이딩 모드 관측기를 이용한 기구학 모델 기반 자율주행 자동차의 예견 고장진단 알고리즘에 관한 연구이다. 자율주행 자동차는 안전한 주행을 위해 신뢰성이 확보된 주행환경 정보와 차량의 동적상태 정보가 필요하다. 센서 정보의 신뢰성 판단을 위해 본 연구에서는 종방향 기구학 모델기반 슬라이딩모드 관측기를 이용하여 종방향 환경정보와 차량 가속도 정보를 실시간으로 상호 보완적 고장진단이 가능한 예견 알고리즘을 제안하였다. 적용된 슬라이딩 모드 관측기는 종방향 환경정보의 고장신호에도 강건한 입력신호 재건성능을 보이면서 알고리즘의 신뢰성을 확보할 수 있었다. 예견 고장진단 알고리즘의 합리적 성능평가를 위해 네 가지 조건에 대한 실제 주행 데이터 기반 선행차량 추종시나리오를 적용하였다. 성능평가 결과 본 연구에서 제안된 예견 고장진단 알고리즘은 모든 평가조건과 주행 시나리오에 대해 합리적인 고장진단 성능을 보여주었다. This paper describes a predictive fault diagnosis algorithm for autonomous vehicles based on a kinematic model that uses a sliding mode observer. To ensure the safety of autonomous vehicles, reliable information about the environment and vehicle dynamic states is required. A predictive algorithm that can interactively diagnose longitudinal environment and vehicle acceleration information is proposed in this paper to evaluate the reliability of sensors. To design the diagnosis algorithm, a longitudinal kinematic model is used based on a sliding mode observer. The reliability of the fault diagnosis algorithm can be ensured because the sliding mode observer utilized can reconstruct the relative acceleration despite faulty signals in the longitudinal environment information. Actual data based performance evaluations are conducted with various fault conditions for a reasonable performance evaluation of the predictive fault diagnosis algorithm presented in this paper. The evaluation results show that the proposed diagnosis algorithm can reasonably diagnose the faults in the longitudinal environment and acceleration information for all fault conditions.

비선형회귀모델을 이용한 히트펌프시스템의 열교환기 고장에 대한 고장감지 및 진단에 대한 연구

김학수(Hak Soo Kim),김민수(Min Soo Kim) 대한기계학회 2011 大韓機械學會論文集B Vol.35 No.11

본 연구에서는 비선형회귀모델을 이용한 히트펌프시스템에서의 고장감지 및 진단 알고리즘을 개발하였다. 히트펌프시스템에 발생할 수 있는 다양한 고장요소 중, 열교환기 고장에 대한 연구를 수행하였다. 해석 식을 바탕으로 제작한 모델을 이용하여 총 4가지 작동 모드(무고장, 증발기 고장, 응축기 고장, 응축기와 증발기 고장)에 대한 시뮬레이션을 수행하였다. 고장감지 및 진단 알고리즘을 개발하기 위해 무고장모드에서의 데이터를 바탕으로 각 열교환기의 과열도 또는 과냉도를 예측할 수 있는 비선형회귀모델을 제시하였다. 고장감지 및 진단 알고리즘은 이 비선형회귀모델을 바탕으로 예측한 열교환기에서의 과열도 또는 과냉도 값과 시뮬레이션 값을 비교하여 그 차이의 정도에 따라 각 열교환기의 고장을 감지 및 진단하도록 하였다. This paper proposed a fault detection and diagnosis (FDD) algorithm using nonlinear regression models, focusing especially on heat exchanger faults. This research concerned four working modes: those with no fault, evaporator fault, condenser fault, and evaporator and condenser faults. This research used no fault mode data to create an FDD algorithm. Using the no fault mode data, correlation functions for predicting the degree of superheat or subcool of heat exchangers (an evaporator and a condenser) were derived. Each correlation function has five inputs and one output. Based on these correlation functions, it is possible to predict the degree of superheat or subcool of each heat exchanger under various working conditions. The FDD algorithm was developed by comparing the predicted value and the simulation value. The FDD algorithm works well in all four working modes.

신경망무고장모델과 이중퍼지로직을 사용한 냉방기 고장진단 알고리즘

한도영,정남철 대한설비공학회 2006 설비공학 논문집 Vol.18 No.10

The fault diagnosis technologies may be applied in order to decrease the energy consumption and the maintenance cost of an air-conditioning system. In this paper, a fault diagnosis algorithm was developed by using a neural no-fault model and a dual fuzzy logic. Five different faults, such as the compressor valve leakage, the liquid line blockage, the condenser fouling, the evaporator fouling, and the refrigerant leakage of an air-conditioning system, were considered. The fault diagnosis algorithm was tested by using a fault simulation facility. Test results showed that the algorithm developed for this study was effective to detect and diagnose various faults. Therefore, this algorithm may be practically used for the fault diagnosis of an air-conditioning system.

프레스공정시스템에서 유도전동기 및 윤활유 레벨 상태모니터링을 위한 진단시스템 개발

이인수(In Soo Lee) 한국지능시스템학회 2009 한국지능시스템학회논문지 Vol.19 No.5

본 논문에서는 프레스공정라인에서 발생하는 고장을 감지하고 분류하기 위한 고장진단기법을 제안한다. 또한 윤활유 레벨을 자동감지 하기 위한 방법도 제안하다. 제안한 방법에서는 FFT 주파수해석과 여러 경계인수를 갖는 ART2 신경회로망을 사용하며, LabVIEW를 이용하여 고장진단 및 윤활유 레벨 자동감시를 위한 GUI(Graphical User Interface) 프로그램을 제작하여 고장진단을 수행하였다. 실험결과들로부터 제안한 유도전동기 고장진단 및 윤활유 레벨 자동감시시스템의 성능을 확인하였다. In this paper, a fault diagnosis method is proposed to detect and classifies faults that occur in press process line. An oil level automatic monitoring method is also presented to detect oil level. The FFT(fast fourier transform) frequency analysis and ART2 NN(adaptive resonance theory 2 neural network) with uneven vigilance parameters are used to achieve fault diagnosis in proposing method, and Gill (graphical user interface) program for fault diagnosis and oil level automatic monitoring using LabVIEW is produced and fault diagnosis was done. The experiment results demonstrate the effectiveness of the proposed fault diagnosis method of induction motors and oil level automatic monitor system.

인공신경망을 이용한 DWT 전력스펙트럼 밀도 기반 자동화 기계 고장 진단 기법

강경원 한국융합신호처리학회 2019 융합신호처리학회 논문지 (JISPS) Vol.20 No.2

Sounds based machine fault diagnosis recovers all the studies that aim to detect automatically abnormal sound on machines using the acoustic emission by these machines. Conventional methods that use mathematical models have been found inaccurate because of the complexity of the industry machinery systems and the obvious existence of nonlinear factors such as noises. Therefore, any fault diagnosis issue can be treated as a pattern recognition problem. We propose here an automatic fault diagnosis method of hand drills using discrete wavelet transform(DWT) and pattern recognition techniques such as artificial neural networks(ANN). We first conduct a filtering analysis based on DWT. The power spectral density(PSD) is performed on the wavelet subband except for the highest and lowest low frequency subband. The PSD of the wavelet coefficients are extracted as our features for classifier based on ANN the pattern recognition part. The results show that the proposed method can be effectively used not only to detect defects but also to various automatic diagnosis system based on sound 소리 기반 기계 고장 진단은 기계의 음향 방출 신호에서 비정상적인 소리를 자동으로 감지하는 것이다. 수학적 모델을 사용하는 기존의 방법은 기계 시스템의 복잡성과 잡음과 같은 비선형 요인이 존재하기 때문에 기계 고장 진단이 어려웠다. 따라 서 기계 고장 진단의 문제를 패턴 인식 문제로 해결하고자 한다. 본 논문에서 DWT와 인공신경망 기반 패턴 인식 기법을 이용한 자동화 기계 고장 진단 기법을 제안한다. 기계의 결함을 효과적으로 탐지하기 위해 DWT를 이용해 대역별 분해 후 최상위 고주 파 부대역과 최하위 저주파 부대역을 제외한 나머지 부대역의 PSD를 구하여 인공신경망 기반 분류기의 입력으로 사용한다. 그 결과 본 연구에서 제안한 방법은 효과적으로 결함을 탐지할 뿐만 아니라 소리 기반의 다양한 자동 진단 시스템에도 효과적으로 활용될 수 있음을 보여준다.

흡수식 냉동시스템의 고장현상 분석과 진단

한동원(Dongwon Han),장영수(Young-Soo Chang),김용찬(Yongchan Kim) 대한설비공학회 2015 설비공학 논문집 Vol.27 No.11

In this study, fault symptoms were simulated and analyzed for a single-effect absorption chiller. The fault patterns of fault detection parameters were tabulated using the fault symptom simulation results. Fault detection and diagnosis by a process history-based method were performed for the in-situ experiment of a single-effect absorption chiller. Simulated fault modes for the in-situ experimental study are the decreases in cooling water and chilled water mass flow rates. Five no-fault reference models for fault detection of a single-effect absorption chiller were developed using fault-free steady-state data. A sensitivity analysis of fault detection using the normalized distance method was carried out with respect to fault progress. When mass flow rates of the cooling and chilled water decrease by more than 19.3% and 17.8%, respectively, the fault can be detected using the normalized distance method, and COP reductions are 6.8% and 4.7%, respectively, compared with normal operation performance. The pattern recognition method for fault diagnosis of a single-effect absorption chiller was found to indicate each failure mode accurately.

LPC와 DTW 기법을 이용한 유도전동기의 고장검출 및 진단

황철희(Chul-Hee Hwang),김용민(Yong-Min Kim),김철홍(Cheol-Hong Kim),김종면(Jong-Myon Kim) 한국컴퓨터정보학회 2011 韓國컴퓨터情報學會論文誌 Vol.16 No.3

본 논문은 유도전동기의 고장검출 및 진단을 위한 효율적인 2-단계 고장예측 알고리즘을 제안한다. 첫 번째 단계에서는 고장 패턴 추출을 위해 선형 예측 부호화 (Linear Predictive Coding: LPC) 기법을 사용하고, 두 번째 단계에서는 고장 패턴 매칭을 위해 동적시간교정법 (Dynamic Time Warping: DTW)을 사용한다. 유도전동기에서 정상 및 각종 이상 상태의 조건을 발생시켜 추출한 샘플링 주파수 8kHz, 샘플링 시간 2.2초의 정상상태 및 비정상 상태의 진동데이터 8개를 사용하여 모의 실험한 결과, 제안한 고장예측 알고리즘은 기존의 고장진단 알고리즘보다 약 45%의 정확도 향상을 보였다. 또한 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 고장예측 알고리즘을 구현하고 검증하였다. This paper proposes an efficient two-stage fault prediction algorithm for fault detection and diagnosis of induction motors. In the first phase, we use a linear predictive coding (LPC) method to extract fault patterns. In the second phase, we use a dynamic time warping (DTW) method to match fault patterns. Experiment results using eight vibration data, which were collected from an induction motor of normal fault states with sampling frequency of 8 kHz and sampling time of 2.2 second, showed that our proposed fault prediction algorithm provides about 45% better accuracy than a conventional fault diagnosis algorithm. In addition, we implemented and tested the proposed fault prediction algorithm on a testbed system including TI's TMS320F2812 DSP that we developed.