LSTM을 활용한 드론의 모터 진동 이상 탐지 연구 = A Study on the Drone Motor Vibration Abnormality Detection Using LSTM

다국어 초록 (Multilingual Abstract)

By the advancement to the 4th Industrial Revolution, the application of the Information technology and the drones with enhanced equipment and devices attached is drastically increasing nowadays. Especially, the drones for photographing/filming and for agricultural purposes are commonly seen around us and they are applied intimately within our daily lives. Moreover, the Ministry of Land, Infrastructure and Transport announced the plan for commercialization of the drone taxis until 2025 and they are estimated to transport the passengers from Incheon International Airport to Yeouido in only 20 minutes of travel time. Accordingly, by the increase of the use and application of drones generally increase in our society, at the same time so does the risk of fall/crash. The drones are composed by relatively simple structure when compared to airplanes and therefore their durability is also relatively lower and the risk of fall/crash is higher. Thus, in the operation of drones the management of risk of fall/crash is a very crucial factor. In this study there has been researched the methodology to forecast through real time monitoring, any situation which might produce the motor failure, which is the most frequent cause of drone failure. The existing studies were mostly limited in the area of electric locomotives or motors within factories.

In this thesis, there has been studied the motor vibration anomality by using the LSTM with the purpose of preventing the risk of fall/crash of the drone on the basis of the point that also in case of the drone, the risk of the fall/crash was the greatest when the motor anomality occurred. In this study, the drone was rotated in constant speed of 1,205rpm and the samples of vibration data were collected from the drone by using the acceleration sensor with 100msec cycle. The data of abnormal vibration of drone motor was saved through the FTP server, the data was learned through pre-processing process and it was composed to prove as stated in the test data. In addition, the 6 classifications of abnormal vibration of drone motor for this study were selected from the most frequent failures which occur in drone motors, and they were verified as: “Broken Rotor Bars”, “Broken Rotor”, “Shaft Unbalance”, “Faulted Bearings”, “Voltage Unbalance”, “Propeller Crack”. For the enhancement of the determination of abnormal vibration in motor, there has been selected and applied as the forecasting model, the LSTM (Long Short Term Memory) which is an artificial Neural Network based on Deep Learning. Th Tensor Flow has been applied to produce the learning model and the detected abnormal vibration of the motor was analyzed with the LSTM neural network. Moreover, by extracting the characteristics of the anomality data and through the standardization of the average values and standard deviation, the method for collection of vibration data has been reexamined. The proposed method has detected the various abnormal vibration status of the motor such as Broken Rotor Bars, Broken Rotor, Shaft Unbalance, Faulted Bearings, Voltage Unbalance, Propeller Crack, and therefore there could be proposed the method of adoption of a system for detection of abnormal vibration of the drone. Additionally, there has been compared the forecasting rate of the RNN and the LSTM with the samples of the Three (3) representative failures of the drone motor such as Broken Rotor Bars, Broken Rotor and Shaft Unbalance, and it has been verified that the forecasting rate of the LSTM was higher in R-Square value averagely 5.28% higher than that of the RNN. Accordingly, when forecasted the abnormal vibration of the motor by using the LSTM with high forecasting rate, among the Six (6) classifications of failure, in the Voltage Unbalance the forecasting rate reached 99.84%, and the failure classification with the lowest accuracy has been verified as the Broken Rotor with the forecasting rate accuracy of 97.69%. Therefore, all the Six (6) failure classifications were verified with high forecasting rate accuracy of 97% or higher.

This study on detection of drone motor anomality by using the LSTM has been based on empirical data which was collected through direct driving operation by the researcher, and therefore it can be applied in practice, and the researcher hereby expects that, if the studies on application of LSTM were advanced even more hereafter it could contribute significantly for the progress of the drone industry.

국문 초록 (Abstract)

4차 산업 혁명이 일어나면서 IT 기술과 고도화된 장비가 장착된 드론이 산업 전반에 걸쳐 급격히 사용량이 증가하고 있다. 특히 촬영 및 농업용 드론은 지금 우리 주변에서 흔히 볼 수 있으며 실생활에 밀접하게 사용하고 있다. 또한, 국토교통부에서 2025년까지 드론 택시를 상용화 계획 발표를 했고 인천공항에서 여의도까지 20분 만에 이동하도록 할 예정이다. 이렇게 드론의 활용도가 우리 사회 전반에 걸쳐 증가할수록 추락에 대한 위험도 점차 증가하고 있다. 드론은 항공기와 달리 비교적 간단한 구조로 이뤄져 있어 내구성이 약하고 추락에 대한 위험이 크다. 따라서 드론 운용 시 추락 위험 관리는 매우 중요한 요소이다. 이 논문에서는 드론 추락 위험 요소 중 발생 빈도수가 높은 드론 모터 이상 고장을 실시간 모니터링해서 이상이 발생 될 수 있는 상황을 탐지하는 연구를 진행했다.
본 논문에서는 드론 모터 이상의 발생 때 추락 위험이 가장 크다는 점에 착안해 드론의 추락 위험을 방지하고자 하는 목적으로 LSTM을 활용한 드론 모터 진동 이상 연구를 제안했다. 실험을 위한 데이터 수집은 드론을 30초간 1,205rpm으로 정속 회전시킨 후, 가속도 센서를 이용하여 드론 모터에서 100msec 주기로 진동데이터를 샘플링하여 수집했다. 드론 모터 진동 이상 데이터는 FTP 서버를 통해 저장되고 전처리 과정을 거친 데이터를 학습 후 검증을 위한 테스트 데이터와 같이 저장했다. 또한, 연구를 위한 드론 모터 진동 이상 유형은 드론 모터에서 가장 많이 발생하는 고장 유형들인 “로터바 손상(Broken rotor bars)”, “로터 손상(Broken rotor)”, “축 휨(Shaft unbalance)”, “베어링 불량(Faulted bearings)”, “전압 불균형(Voltage unbalance)”, “프로펠러 손상(Propeller crack)”의 6가지를 선정하였다. 제안된 모터 진동 이상 판단의 모델은 딥러닝(Deep Learning) 기반의 인공신경망(Neural Network)인 LSTM(Long Short Term Memory) 기법을 적용하였다. 제안된 방법은 학습 모델 생성을 위하여 텐서플로우(TensorFlow)를 사용하였고 모터 진동 이상 탐지를 위하여 LSTM 신경망 네트워크를 사용하여 분석했다. 분석을 위한 데이터 수집 방법으로는 이상 데이터의 특징 추출, 평균 및 표준편차를 사용한 표준화를 적용했다. 구체적으로 제안한 방법은 드론 모터의 로터 바 손상, 로터 손상, 축 휨, 베어링 불량, 전압 불균형, 프로펠러 손상 6가지 유형 모터의 진동 이상 상태 데이터에 LSTM을 적용하여 탐지했다. 실험은 드론 모터의 바 손상, 로터 손상, 축 휨 세가지 불량에 대한 샘플을 활용하여 RNN과 LSTM의 정확도를 비교하여 성능 비교하였다. 실험비교 결과, LSTM이 RNN 보다 R-Square 값이 평균 5.28%가 더 높게 정확도가 나타났다. 제안된 LSTM을 활용한 모터 진동 이상 탐지 방법은 6가지의 불량 중 전압 불균형에 대한 예측 탐지에 대해 정확도가 99.84%로 가장 높게 보여주었으며, 예측 탐지의 정확도가 가장 낮은 불량은 로터 손상으로 97.69%로 나타났다. 결론적으로 LSTM을 활용한 드론의 6가지 모터 진동 이상 탐지 시 약 97% 이상의 높은 예측정확도를 확인했다. 제안된 LSTM을 활용한 드론 모터 이상 탐지의 연구 결과는 드론을 직접 구동해서 얻은 실제 데이터를 활용했기 때문에 바로 현장에서 고장 원인 예측에 적용이 가능할 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1. 연구의 배경 1
• 1.2. 연구의 필요성 및 방법 3
• 1.2.1. 드론의 활용 3
• 1.2.2. 드론의 구조와 비행 원리 7
• 1.2.3. 드론 모터의 이상 진단 필요성 13
• 1.2.4. 드론 모터 이상 진단 연구 방법 14
• Ⅱ. LSTM과 드론 이상 탐지 관련 연구 16
• 2.1. LSTM 및 드론 모터 진동 선행 연구 16
• 2.1.1. LSTM을 이용한 예측 선행 연구 16
• 2.1.2. 드론 모터 진동 이상 예측 관련 선행 연구 19
• 2.1.3. LSTM 활용 사례 20
• 2.2. 드론 모터 진동 이상 예측의 LSTM 활용의 필요성 21
• Ⅲ. 드론 이상 탐지의 LSTM 정의 및 모델 23
• 3.1. 드론 모터 진동 및 LSTM 예측 정의 23
• 3.1.1. 드론 모터 진동 정의 23
• 3.1.2. RNN 예측 정의 24
• 3.1.3. LSTM 예측 정의 27
• 3.2. 드론 모터 진동 이상 데이터 수집 및 LSTM 예측모델 34
• 3.2.1. 드론 모터 진동 이상 데이터 수집 방법 34
• 3.2.2. 드론 모터 진동 이상 LSTM 모델 40
• 3.2.3. 드론 모터 진동 이상 LSTM 예측 알고리즘 41
• Ⅳ. LSTM 기반의 드론 모터 이상 탐지 시뮬레이션 및 결과 44
• 4.1. LSTM 기반 드론 이상 탐지 환경 구현 및 시뮬레이션 44
• 4.1.1. 드론 모터 진동 이상 탐지 구현 및 시뮬레이션 방법 44
• 4.1.2. 드론 모터 진동 이상 6가지 데이터 분석 47
• 4.2. RNN과 LSTM 신경망 모델 이상 탐지 비교 50
• 4.3. LSTM 기반의 드론 모터 이상 탐지 시뮬레이션 결과 54
• Ⅴ. 결론 및 향후 연구 방향 61
• 참고 문헌 62
• Abstract 66