스펙트럼 상관과 결함 특성을 활용한 전동체 베어링 상태 진단 = Rolling Bearing Condition Diagnosis Using Spectral Correlation and Fault Characteristic

국문 초록 (Abstract)

산업 현장에서 설비의 예상치 못한 고장은 생산 중단과 경제적 손실을 초래할 수 있어, 기계 상태를 실시간으로 감시하고 결함을 조기에 진단하는 예지보전 기술의 중요성이 점차 높아지고 있다. 최근에는 베어링 진단 분야에서도 딥러닝을 활용한 연구가 활발히 이루어지고 있으나 실험실이나 테스트벤치 조건에서 취득된 데이터를 기반으로 이루어졌으며 실공정 환경에 적용하기에는 불확실성이 존재한다. 특히 실제 현장에서는 결함 데이터가 제한적이며, 실험실 또는 테스트벤치 환경에서 취득된 데이터로 모델을 학습하고 실공정에 적용하면 학습 데이터와 테스트 데이터 간의 도메인 이동(domain shift)을 유발하여 일반화 성능을 저하시킨다. 본 연구는 스펙트럼 상관 분석과 베어링의 결함 특성을 활용하여 신호의 특징을 추출하고 도메인에 따라 변하지 않는 표준화된 데이터 형태를 통해 도메인 이동 문제를 완화하였다. 그리고 테스트벤치 데이터로 딥러닝 모델을 훈련하여 결함 데이터가 부족한 실공정 환경에서 일반화된 성능과 진단 성능을 검증하고 다양한 도메인에서 베어링 상태를 진단하여 성능을 검토하였다. 먼저 포락선 분석, 캡스트럼 분석, 스펙트럼 상관 분석을 비교하여 잡음 환경에서도 결함 성분을 명확하게 식별할 수 있는 스펙트럼 상관을 특징 추출 기법으로 채택하였다. 이후 회전수 기반 세그멘테이션, 베어링 결함 특성 기반 결함 차수 식별, 결함 유형별 특징 정렬 및 표준화 과정을 통해 서로 다른 도메인에서도 동일한 특징을 가지는 데이터 형태로 구성하여 1D CNN 모델의 입력으로 사용하여 실험을 진행하였다. 1개의 실공정 데이터셋 (SCA)과 5개의 테스트벤치 데이터셋(HUST, KAIST, PU, UOS-Groove, UOS-Tapered)에 대해 타겟 도메인을 1개씩 바꿔가며 다양한 도메인에 대해서 성능을 검토하였다. 이를 통해 도메인 이동 문제를 완화하며, 실공정 데이터셋 뿐만 아니라 측정 환경과 운전 조건이 다른 도메인에서도 일관된 베어링 상태 진단 성능을 검증하였다.

다국어 초록 (Multilingual Abstract)

Unexpected failures of industrial equipment can lead to production downtime and significant economic losses; therefore, the importance of predictive maintenance technologies that monitor machine health in real time and diagnose faults at an early stage is steadily increasing. Recently, deep learning–based research has been actively conducted in the field of bearing fault diagnosis; however, stable training typically requires a sufficient amount of fault data for each failure mode. In real industrial sites, fault data are often scarce, and models trained on laboratory or testbench data may suffer from degraded generalization when deployed in actual processes due to domain shift caused by differences between domains. This study addresses the domain shift problem by extracting signal features utilizing spectral correlation and bearing fault characteristics, and by employing a standardized data format that remains invariant across domains. Furthermore, a deep learning model is trained on test-bench data, and consistent diagnostic performance is verified in real-world environments where fault data are insufficient. The model’s capability to diagnose bearing conditions is also evaluated across diverse domains. First, envelope, cepstrum, and spectral correlation analysis are compared, and spectral correlation is selected as the feature extraction method because it can robustly identify fault-related components even in noisy environments. Next, rotation-speed-based segmentation, identification of harmonic bands centered on the true fault orders, feature alignment by fault type, and a standardization procedure are applied to construct inputs that exhibit the same characteristic patterns across different domains. These standardized features are used as inputs to a 1D convolutional neural network (1D CNN) for diagnosis. Experiments are conducted six times by changing the target domain one at a time across one real process dataset (SCA) and five test-bench datasets (HUST, KAIST, PU, UOS-Groove, UOS-Tapered). The results demonstrate consistent and high diagnostic performance, indicating that the proposed method effectively alleviates domain shift and achieves reliable bearing fault diagnosis not only for the real process dataset but also across domains with different measurement setups and operating conditions.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 목표 및 내용 2
• 제2장 이론적 배경 4
• 2.1 전동체 베어링 특성 4
• 2.2 포락선 분석 7
• 2.3 캡스트럼 분석 8
• 2.4 스펙트럼 상관 분석 9
• 2.4.1 Fast Spectral Correlation 9
• 2.4.2 Order Fast Spectral Correlation 14
• 2.5 1D CNN (1D Convolution Neural Network) 15
• 제3장 베어링 데이터셋 17
• 3.1 SCA 베어링 데이터셋 17
• 3.2 HUST 베어링 데이터셋 19
• 3.3 KAIST 베어링 데이터셋 19
• 3.4 PU 베어링 데이터셋 22
• 3.5 UOS 베어링 데이터셋 22
• 제4장 신호 분석 및 특징 추출 25
• 4.1 베어링 신호 분석 기법 비교 25
• 4.2 특징 추출 30
• 4.2.1 회전수 기반 데이터 세그멘테이션 30
• 4.2.2 베어링 결함 특성 기반 결함 차수 식별 32
• 4.2.3 결함 유형별 하모닉 성분 대역 추출 33
• 4.2.4 스케일 정규화 및 보간 38
• 제5장 베어링 상태 진단 모델 및 실험 43
• 5.1 1D CNN 기반 모델 설계 43
• 5.2 소스 도메인, 타겟 도메인 구성 46
• 5.3 도메인 교차 검증 방법 50
• 5.4 모델 검증 지표 및 평가 방법 52
• 5.5 모델 학습 및 테스트 54
• 5.5.1 실공정 데이터 실험 및 분석 54
• 5.5.2 테스트벤치 데이터 교차 실험 및 분석 58
• 제6장 결론 64
• 참고문헌 66
• ABSTRACT 69
• 감사의 글 71