베어링 결함 진단을 위한 도메인 적응 인공지능 연구
A Study on Artificial Intelligence with Domain Adaptation for Diagnosis of Bearing Faults
초록/요약
원전 및 산업 현장의 주요 기기들의 고장은 안전에 지대한 영향을 미칠 수 있기 때문에 지속적으로 감시되고 있다. 이러한 기기들은 진단을 통해 결함이 발생하기 전에 정비하거나 교체되어야 한다. 이는 회전기기도 마찬가지이다. 실제 산업 현장에는 많은 회전 기기가 존재하며, 대다수의 회전 기기에는 구름 베어링이 장착되어 운전되고 있다. 따라서, 구름 베어링을 진단하는 것은 회전 기기 및 산업 현장의 안전한 운영에 있어 중요하다. 기존에 전문가들은 다양한 방법으로 고장 발생시 나타나는 특징들을 추출하거나 모델링하여 베어링의 진단을 수행하였다. 기존 기술들은 전문가의 부재에 따라 진단이 불가능하거나 다양한 베어링 시스템을 진단하기 어렵다는 한계점을 가지고 있었다. 따라서, 전문가의 지식 없이 결함 특징을 자동으로 추출하고 다양한 베어링 시스템을 진단하는 일반화된 방법의 개발이 필요하였다. 데이터 기반 모델 중 하나로 컨볼루션 신경망(convolutional neural network, CNN)은 특징값을 자동으로 추출할 수 있다는 장점 때문에 좋은 대안처럼 보였다. 하지만, CNN의 학습에는 많은 데이터가 필요하며 학습 데이터가 레이블 되어 있어야 한다는 한계점이 존재한다. 또한, CNN은 학습된 시스템에 대해서는 결함 판별에 있어 우수한 성능을 보이지만 학습되지 않은 시스템에 대해서는 정확한 진단을 수행하지 못한다는 한계점도 가지고 있다. 이 문제를 해결하기 위해 데이터세트가 레이블 되어 있고 모델을 학습하기 위한 데이터가 충분히 확보되어 있는 다른 시스템을 활용하는 교차 도메인 고장 진단 방법(cross-domain fault diagnosis)이 개발되었다. 일반적으로 서로 다른 시스템에서 취득된 데이터는 그 분포가 달라 동일한 경계를 이용해 분류될 수 없다. 이는 도메인 적응(domain adaptation)을 통해 해결될 수 있는데, 기존의 많은 연구에서는 모델에서 추출되는 특징값을 이용해 도메인간 분포 차이를 줄이고자 하였다. 그러나, 시스템 특성이 매우 다를 경우에는 기존의 방법들로 분포 차이를 성공적으로 줄이지 못할 수 있다. 따라서, 부족한 학습 데이터를 해결함과 동시에 시스템 특성이 매우 다른 경우에도 정확한 교차 도메인 결함 진단을 수행할 수 있는 방법을 개발하는 것이 불가피하였다. 본 연구에서는 상기에 나열된 문제들을 해결하기 위하여 신호 처리 기반의 도메인 적응 방법을 서로 다른 베어링 시스템에서 취득된 신호에 적용하였다. 제안된 방법을 적용한 신호들은 공동의 도메인(common-domain)으로 이동하게 되어 분포 차이가 줄어들게 된다. 공동 도메인으로 이동된 신호는 특징값 기반의 도메인 적응 방법이 쓰인 모델의 학습 및 테스트 데이터로 사용되었으며, 모델에서 추출된 서로 다른 시스템의 특징값들은 베어링의 상태에 따라 동일한 특징값 공간에 위치하였다. 또한, 기존 도메인 적응 방법만을 사용한 모델은 원시 데이터의 상태를 정확히 분류하지 못했지만, 공동 도메인으로 이동된 데이터들을 사용했을 때에는 분류 정확도가 비약적으로 상승하는 것을 확인하였다. 즉, 제안된 방법과 특징값 기반 도메인 적응 모델을 통해 진단 대상 시스템의 데이터가 레이블 되어 있지 않아도 그 상태를 정확하게 분류해낼 수 있었다. 다음으로 공동 도메인으로 이동된 신호들이 하나의 시스템에서 취득된 것처럼 합쳐질 수 있는지와 이 결합 데이터가 학습 데이터를 증대시키는 효과가 있는지 검증하였다. 도메인이 확장된 데이터로 학습된 모델에서는 여러 시스템의 결함 특징을 추출할 수 있고 일반화된 판별 경계를 설정할 수 있다. 따라서, 서로 다른 시스템을 모두 진단할 수 있는 일반화된 모델을 개발할 수 있게 된다. 이를 검증하기 위해 공통 영역 데이터(common-domain data)로 훈련된 특징 기반 도메인 적응 모델을 사용하여 유동 노이즈(flow noise)가 많은 데이터의 상태를 분류하였다. 모델은 진단 대상 데이터에 레이블이 지정되지 않았음에도 불구하고 베어링 상태를 높은 정확도로 분류해 냈다. 또한, 진단 대상 시스템에서 정상 데이터만이 취득되어 있는 경우에도 타 시스템의 데이터를 이용하여 결함 판별하는 방법에 대해 제시하였다. 이 방법은 진단 대상의 데이터를 모델 학습에 사용하지 않고 특징값 기반 도메인 적응 방법 모델보다 더 간단한 인공지능 모델을 사용하였기 때문에 훨씬 효율적이다. 본 연구를 통해 개발된 기술을 이용한다면 레이블이 되어 있지 않은 데이터의 상태 판별 및 데이터가 충분히 확보되지 않은 시스템의 진단을 타 시스템을 이용해 수행할 수 있을 것으로 예상된다. 또한, 진단 대상 시스템에서 정상 데이터만이 확보되어 있는 경우에도 효율적으로 진단을 수행할 수 있을 것으로 판단된다.
more초록/요약
Failure of major machines at nuclear power plants and industrial sites is continuously monitored because it can have a significant impact on safety. Those machines should be repaired or replaced before defects occur via proper diagnosis. Rotating machines must be maintained and managed via proper diagnosis as well. In actual industrial sites, there are many rotating machines, and most of the rotating machines are operated with rolling bearings installed. Therefore, diagnosing rolling bearings is important for the safe operation of rotating machinery and industrial sites. In the past, experts performed the diagnosis of bearings by extracting features that appeared when a failure occurred in various ways or modeling bearings. Existing technologies have limitations in that diagnosis is impossible depending on the absence of experts or it is difficult to diagnose various bearing systems. Therefore, it was necessary to develop a method for automatically extracting features of faults without knowledge of experts and a generalized method for diagnosing various bearing systems. As one of the data-based models, convolutional neural networks seemed like a good alternative because of the advantage of being able to automatically extract features. However, CNN requires a lot of data for training, and there are limitations that the training data must be labeled. In addition, CNN also has a limitation in that it cannot perform an accurate diagnosis on an untrained system while it shows excellent performance in fault classification for a trained system. To address this problem, cross-domain fault diagnosis methods have been developed that use other systems with sufficient labeled data. In general, data acquired from different systems cannot be classified using the same boundary because their distribution is different. This can be solved via domain adaptation, and many previous studies tried to reduce the difference of distribution between domains by using features extracted from the models. However, the methods did not successfully reduce the distribution difference when the system characteristics are very different. Therefore, it was inevitable to develop a method capable of solving insufficient training data and performing accurate cross-domain defect diagnosis even when system characteristics are very different. In this study, to solve the problems listed above, a signal processing-based domain adaptation method was applied to signals acquired from different bearing systems. All signals to which the proposed method is applied are moved to the common domain, so that the discrepancy of distribution is reduced. The signals moved to the common-domain were used as training and test data for the model with feature-based domain adaptation method, and the features of different systems extracted from the models are located in the same feature space according to states. Furthermore, it was confirmed that the model cannot classify the states of raw data accurately using only the existing domain adaptation method while classification accuracy increased dramatically when data moved to a common-domain were used. That is, it was possible to accurately classify the state of the diagnostic target system even if the data were not labeled via the proposed method and the feature-based domain adaptation model. Next, it was verified whether the signals moved to the common domain can be combined as if they were acquired from one system and whether this combined data has the effect of increasing the training data. From a model trained with domain-extended data, it is possible to extract fault features of multiple systems and to set generalized classification boundaries. Therefore, it can be constructed a general model which can diagnose different systems. In order to verify this, the state of the data with a lot of flow noise was classified using the feature-based domain adaptation models which are trained with common-domain data. The models classified the states of the system to be diagnosed with high accuracy even though the diagnostic target data were not labeled. In addition, even when only normal data were acquired from the system to be diagnosed, a method for classifying fault using data from other systems is presented. This method is much more efficient because it does not use data from diagnostic targets for model training, but uses simpler artificial intelligence models than feature-based domain adaptation models. If the technology developed in this study is used, it is expected that other systems can be used to classify the states of unlabeled data and diagnose systems that do not have enough data. Also, it is determined that the diagnosis can be efficiently performed even when only normal data are obtained from the system to be diagnosed.
more목차
제1장 서론 1
1.1. 구름 베어링 고장 진단의 필요성 1
1.2. 베어링 고장 진단 연구 동향 4
1.2.1. 기존 진단 방법 4
1.2.2. 데이터 기반 모델을 이용한 베어링 진단 5
1.2.3. 베어링 교차 도메인 결함 진단 6
1.3. 연구 목적 8
1.4. 유사 연구와의 차별성 9
1.5. 연구 범위 및 방법론 10
제2장 접근방법 및 배경이론 12
2.1. 접근 방법 12
2.2. 배경 이론 16
2.2.1. 컨볼루션 신경망(Convolutional Neural Network) 16
2.2.2. 신호 기반 도메인 적응(Signature Domain Adaptation) 17
2.2.3. 특징값 기반 도메인 적응(Feature Domain Adaptation) 24
2.2.4. 주성분 분석법(Principal Component Analysis) 26
2.2.5. 서포트 벡터 머신(Support Vector Machine) 26
제3장 베어링 데이터 28
3.1. Case Western Reserve University 데이터 28
3.2. Paderborn University 데이터 35
3.3. 아주대학교 펌프 데이터 39
3.4. 신호 분석 44
제4장 SDA와 FDA을 결합한 결함 진단 47
4.1. SDA와 FDA를 이용한 결함 진단 모델 및 방법 47
4.1.1. SDA 결과 47
4.1.2. FDA 모델 49
4.2. SDA 적용 효과 53
4.2.1. 원시 데이터를 이용한 CNN 학습 및 분류 결과 53
4.2.2. SDA 데이터를 이용한 CNN 학습 및 분류 결과 54
4.3. FDA 적용 효과 60
4.3.1. MK-MMD가 결합된 CNN 모델 학습 및 분류 결과 60
4.3.2. DANN이 결합된 CNN 모델 학습 및 분류 결과 60
4.4. SDA와 FDA를 결합한 결함 진단 결과 66
4.5. 요약 74
제5장 공동 도메인 데이터를 이용한 결함 진단 76
5.1. 공동 도메인 데이터를 이용한 결함 진단 모델 및 방법 76
5.1.1. 공동 도메인 학습 데이터 생성을 위한 SDA 결과 77
5.1.2. 공동 도메인 데이터를 이용한 결함 진단 방법 과정 77
5.2. 공동 도메인 데이터를 이용한 결함 진단 결과 87
5.2.1. 공동 도메인 데이터와 FDA를 이용한 진단 결과 87
5.2.2. Combined AI 모델 93
5.2.3. Generalized AI 모델 93
5.3. 요약 101
제6장 맺음말 102
6.1. 결론 102
6.2. 추가 연구 103
참고문헌 105
Abstract 113
