Development of a Bearing Fault Diagnosis Method Using Accelerometer Sensor Data and Transfer Learning-Based ResNet = 가속도 센서 데이터 기반 전이학습 ResNet을 활용한 베어링 이상 진단에 관한 연구

국문 초록 (Abstract)

본 연구에서는 자동차 허브베어링의 결함을 조기에 진단하기 위해 가속도 신호와 전이학습 기반 ResNet34 모델을 이용한 베어링 결함검출 방법을 제안하였다. 자동차 허브베어링은 차량의 휠 회전을 지지하고 주행 하중, 제동 하중 및 노면 입력을 전달하는 핵심 부품으로, 손상이 발생할 경우 진동과 소음 증가뿐만 아니라 주행 안정성 저하로 이어질 수 있다. 그러나 실제 허브베어링은 수명이 길어 자연 결함 데이터를 충분히 확보하기 어렵기 때문에, 본 연구에서는 6203 베어링을 이용한 축소 모사 시험장치를 구성하고 400 rpm, 400 N 조건에서 10시간 가속수명시험을 수행하였다. 취득된 신호 중 하중 인가 방향과 센서 설치 위치를 고려하여 Y축 가속도 신호를 주요 분석 대상으로 선정하였다.
제한된 실험 데이터 조건에서 결함검출 모델을 구성하기 위해 정상 및 결함 라벨이 명확한 CWRU 베어링 데이터를 기준 결함 데이터로 사용하였다. CWRU 데이터는 실험 조건과의 회전수 차이를 줄이기 위해 400 rpm 조건으로 전처리하였으며, STFT를 적용하여 시간-주파수 이미지로 변환하였다. 이후 ResNet34 모델을 이용하여 Normal, Ball, Inner race, Outer race의 네 가지 상태를 학습하였고, 자체 실험 데이터에 전이학습을 적용하여 시간 순서에 따른 결함 예측률 변화를 분석하였다.
실험 결과, 초기 0–2 h 구간에서는 Normal class의 예측 비율이 높게 나타났으나, 운전 시간이 증가함에 따라 결함 예측률이 점차 상승하였다. 특히 후반 7.5–10 h 구간에서는 90% 이상의 높은 결함 예측률이 유지되었으며, Ball class의 예측 비율이 우세하게 나타났다. 또한 FFT 및 STFT 분석 결과, 후반부 구간에서 저주파 결함 관련 성분과 1500–2000 Hz 부근의 고주파 성분이 증가하였고, 이는 베어링 손상 진행에 따른 충격성 진동과 시험장치 구조 응답이 함께 반영된 결과로 판단된다. LSTM, CNN 및 ResNet34 모델의 성능을 비교한 결과, ResNet34가 Accuracy 99.36%, Precision 99.41%, Recall 99.41%, F1-score 0.99로 가장 우수한 성능을 나타냈다. 따라서 본 연구는 공개 결함 데이터와 자체 가속수명시험 데이터를 연계한 전이학습 기반 결함검출 방법이 제한된 실험 데이터 조건에서도 자동차 허브베어링의 상태 변화와 결함 진행 경향을 진단하는 데 활용 가능함을 확인하였다.

목차 (Table of Contents)

• I. Introduction
• 1.1. Background
• 1.1.1. Prognostics and Health Management of Automobile Hub Bearings
• 1.1.2. Economic Impact of Bearing Failures
• 1.1.3. Importance of Vibration-Signal-Based Bearing Condition Diagnosis
• 1.2. Existing Research and Differentiation
• 1.2.1. Signal-Processing-Based Bearing Condition Diagnosis Research
• 1.2.2. Machine-Learning-Based Bearing Fault Diagnosis Research
• 1.2.3. Deep-Learning-Based Bearing Fault Diagnosis Research
• 1.2.4. Domain Adaptation and Transfer-Learning-Based Bearing Condition Diagnosis Research
• Ⅱ. Theoretical Background and Literature Review
• 2.1. Background
• 2.1.1. Fault Types of Automobile Hub Bearings
• 2.1.2. Bearing Fault Signal Generation Mechanism
• 2.2. Vibration-Based Condition Diagnosis Techniques
• 2.2.1. Time-Domain Analysis
• 2.2.2. FFT-Based Frequency-Domain Analysis
• 2.2.3. STFT-Based Time–Frequency Analysis
• 2.2.4. Comparison of Vibration-Based Analysis Techniques
• 2.3. Deep-Learning-Based Bearing Condition Diagnosis
• 2.3.1. LSTM-Based Time-Series Classification
• 2.3.2. CNN-Based STFT Image Classification
• 2.3.3. ResNet-Based STFT Image Classification
• Ⅲ. Experimental Setup and Test Methods
• 3.1. Bearing Test Rig Configuration and Conditions
• Ⅳ. Transfer Learning
• 4.1.1. STFT Image Conversion and Training for Fault Detection
• 4.1.2. Reference Fault Data Configuration
• 4.1.3. Preprocessing of Reference Fault Data
• 4.1.4. FFT and STFT Results of Reference Fault Data
• 4.1.5. Transfer Learning Accuracy Based on ResNet
• Ⅴ. Result
• 5.1.1. Signal Processing and Time–Frequency Analysis of Experimental Data
• 5.1.2. Fault Prediction Rate
• 5.1.3. Bearing Condition
• 5.1.4. Comparison of fault detection model
• Ⅵ. Conclusion
• Reference
• 국문 초록