Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Dept. of Information Control Engineering, Hoseo University, Korea)
  2. (Dept. of Digital Control Engineering, Hoseo University, Korea)



Deep learning, Motor fault diagnosis, CNN, Data analysis, Induction motor, FFT, Frequency domain

1. 서론

전동기는 생산 현장에서 가장 중요한 장비 중 하나이다. 이 중 생산 시설에서 가장 많이 사용되는 전동기는 유도 전동기이다. 이러한 유도 전동기의 수명은 유한하다. 즉, 많은 고장 상황이 존재한다는 것이다. 전동기의 고장은 생산 시설의 생산을 중지시키며 이는 경제적으로 손실을 야기한다. 이런 이유로 전동기 고장에 즉각적으로 대응하기 위한 연구들이 활발하게 진행되어 왔다[1-3]. 이전 연구들의 경우, 전동기의 진동 신호를 계측한 후 신호 처리를 통하여 고장을 진단하였다. 또한 이와 같은 방식에서는 신호를 분석하여 고장을 진단하기 위하여 전동기의 자세한 제원이 요구된다. 이러한 조건은 사용자의 요구에 따른 수많은 전동기의 구동 조건을 고려하는 것에 있어 문제를 야기한다. 이러한 문제점들을 제거하고자 전동기 고장 진단에 딥 러닝 알고리즘을 적용하는 연구가 진행되었다[4-6]. 고장 진단에 데이터 중심 학습 기법인 딥 러닝을 적용할 경우 최소한의 신호 처리를 통하여 고장을 진단할 수 있다. 또한 이것은 고장 진단에 필요한 기어치 수 및 전동기의 제원과 같은 기기의 기계적 정보가 적어짐을 의미한다. 하지만 고장 진단에 딥 러닝을 적용함으로서 모든 문제가 해결되는 것은 아니다. 앞서 언급했듯이 전동기의 구동 조건은 셀 수 없이 다양하다. 셀 수 없이 다양한 구동 조건에서의 신호를 모두 계측한다는 것은 현실적으로 어려움이 있다. [4~6][4-6]에서의 고장 진단 알고리즘은 구동 조건을 고려하지 않았기 때문에 고정된 속도 및 부하 조건에서만 고장 진단을 할 수 있다는 문제점이 있다. 따라서 본 논문에서는 전동기의 구동 조건 중 속도와 부하를 고려한 딥 러닝 고장 진단 알고리즘을 개발하는 연구가 진행되었다. 딥 러닝을 이용한 고장 진단에서 전동기의 구동 조건을 고려하게 될 경우 생기는 가장 어려운 문제점은 학습에 사용되는 훈련 데이터의 분산이 증가하는 것이다. 전동기에 기어박스가 부착되어 있을 경우 기어치 충돌에 의하여 발생되는 진동은 전동기의 속도에 영향을 받는다. 여기서 교류기의 속도는 전원 주파수에 의하여 결정된다. 또한 유도 전동기에는 슬립이 있어 전동기의 부하에 따라 속도가 변동된다. 이를 정리하자면 동일한 고장 상태에서도 전동기의 속도 및 부하에 따라 신호가 달라진다는 것이다. 이러한 특징은 부하 변동에 따라 전동기 속도가 변화되기 때문에 데이터의 분산을 증가시키게 된다.

따라서 본 논문에서는 부하에 따라 변경되는 속도에서의 진동 신호의 기계적 결함 신호를 기준 신호에 맞추어 정렬시키는 데이터 전처리 알고리즘을 개발하는 연구가 진행되었다. 또한 개발된 알고리즘은 전동기에서 발생되는 진동 중 인가 주파수에 의한 진동을 제거한다. 이 알고리즘을 통하여 분산이 감소된 데이터를 훈련 데이터로 하여 CNN(Convolutional Neural Network)기반의 딥 러닝 알고리즘을 이용하여 고장 진단을 진행하였다. 이 때 전동기의 고장 상태는 데이터 전처리 알고리즘의 기계적 결함 특성 추출 성능을 확인하기 위하여 기어치 손상으로 선정하였다. 즉, 본 논문에서는 전동기의 속도 및 부하 조건에 따라 데이터를 변환시키는 전처리 알고리즘과 CNN기반의 딥 러닝 알고리즘을 이용한 전동기 기어 고장 진단에 관한 연구가 진행되었고, 실험을 통해 그 타당성을 보였다.

2. 전동기 진동 특성

전동기에서 진동은 전동기의 고장 상태를 알려주는 중요한 신호 중 하나이다. 유도 전동기에서 진동을 발생시키는전 요인은 기계적인 요인과 전자기적인 요인으로 나누어진다[7]. 기계적인 요인은 맞물려 있는 기어들 사이의 충돌과 같은 물리적인 접촉에 의하여 발생되는 전자기력에 의한 진동을 말하며, 전자기적인 요인은 슬립에 의하여 감소된 전동기 축의 실제 속도에 비례하는 것이 아닌 인가 주파수에 비례하여 발생되는 물리적인 진동을 의미한다. 전동기의 이러한 진동 특성은 딥 러닝 알고리즘을 이용한 고장 진단에서 패턴 추출에 어려움을 만든다. 위에서 서술한 바와 같이 본 논문에서는 전동기의 속도 및 부하 조건을 고려한 고장 진단의 훈련 데이터를 전처리하는 알고리즘의 성능을 확인하기 위하여 전동기의 기어 손상 고장을 고장 상태로 선정하였다. 본 논문에서 사용된 손상된 기어의 모습은 그림. 1을 통하여 확인할 수 있다.

그림. 1. 손상된 기어박스

Fig. 1. Damaged gearbox

../../Resources/kiee/KIEE.2019.68.3.423/fig1.png

그림. 1의 기어 박스는 10:1의 감속 기어이며 3개의 축을 가지고 있다. 이 3개의 축 중에서 36개의 치를 가지는 기어 한 개의 손상이 본 논문에서 선정한 고장 상태이다. 기어 손상 고장은 전동기의 실제 속도에 비례하여 진동을 발생시킨다. 이러한 진동 특성을 확인하기 위하여 일반적으로 FFT(Fast Fourier Transform)를 이용하여 진동 신호의 주파수 특성을 확인한다. 맞물려 있는 기어들 사이의 충돌로 인하여 발생하는 진동의 주파수는 (1)을 통하여 계산할 수 있고 기어에 의하여 가속 혹은 감속되는 속도는 (2)를 통하여 계산할 수 있다.

(1)
$f_{\text { vibration }}=\frac{N}{60} \cdot Z[H z]$

(2)
$N_{o u t}=N_{i n} \cdot \frac{Z_{1}}{Z_{2}}[r p m]$

(1)에서 $N$은 축의 rpm 단위의 속도이며 $Z$는 기어치의 수를 의미하고 (2)에서 $N_{in}$은 입력 축 속도, $Z_{1}$은 입력 축 기어치 수 $Z_{2}$는 출력 축 기어치 수 $N_{out}$은 출력 축 속도를 의미한다. 해당 식을 통하여 기어와 피니언의 충돌 주파수를 구할 수 있다. 하지만 본 논문에서 진단하고자 하는 전동기는 유도 전동기이기 때문에, 속도를 계산함에 있어 슬립을 고려해야 하고 속도는 (3)을 통하여 계산할 수 있다.

(3)
$N=(1-s) \cdot \frac{120}{P} \cdot f[r p m]$

여기서 는 슬립을 의미하며 $P$는 극 수 $f$는 인가 주파수이다. 슬립은 부하에 영향을 받기 때문에 동일한 유도 전동기에 같은 주파수를 인가해 주어도 부하에 따라 속도가 변화할 수 있다는 것을 의미한다. 이러한 유도 전동기의 특성에 의하여 (1)을 통하여 계산되는 기어 사이의 충돌 주파수는 부하에 의하여 변경되는 속도에 따라 변화될 수 있다. 그림. 2는 동일한 인가 주파수에서 부하를 변동시켜 달라진 속도에 의한 기어 충돌 주파수의 차이를 보여준다.

그림. 2. 부하에 따라 달라진 속도에서의 진동 신호

Fig. 2. Vibration signals at different speeds depending on load

../../Resources/kiee/KIEE.2019.68.3.423/fig2.png

그림. 2에서 (1)을 통하여 계산된 기어 충돌 주파수에서 진동 특성이 보이는 것을 확인할 수 있다. 이러한 전동기의 진동 특성에 의하여 전동기의 속도 및 부하 조건을 고려하지 않고 딥 러닝 알고리즘을 학습시킬 경우 실제 현장에 적용하는 것은 곤란하다. 이러한 문제점을 해결하기 위하여 딥 러닝 알고리즘의 훈련 데이터로 전동기의 모든 속도 및 부하에서의 진동 데이터를 수집하는 것은 현실적으로 어려움이 있다. 또한 그림. 2에서 확인할 수 있듯이 전동기의 진동은 전자기적 요인에 의하여 전원 주파수에 비례하여 발생된다. 위의 두 가지 요인은 훈련 데이터의 분산을 증가시켜 딥 러닝 알고리즘의 분류 성능을 저하시킨다. 따라서 전동기의 속도 및 부하 조건을 고려하여 훈련 데이터를 전 처리하는 알고리즘을 통하여 데이터의 분산을 감소시켜야 한다.

3. 딥 러닝에 의한 모델 개발

3.1 CNN기반의 딥 러닝 알고리즘

데이터 전처리 알고리즘을 통하여 만들어진 훈련 데이터는 CNN을 기반으로 한 딥 러닝 알고리즘을 통하여 분류된다. CNN은 일반적으로 이미지 분류에 사용되는 딥 러닝 알고리즘 모델이다[8]. FFT된 진동 데이터를 이미지로 간주하게 될 경우 복잡한 진동 데이터는 일차원의 픽셀을 가지는 단순한 데이터로 취급되어질 수 있다. 이러한 데이터는 CNN의 모델 특성에 의하여 비교적 간단히 분류되어질 수 있다. 또한 CNN을 이용하게 될 경우 모델을 단순화 시킬 수 있기 때문에 실험실 내에서 계측되는 데이터와 실제 현장에서 계측되는 데이터 간의 차이가 큰 고장 진단과 같은 분야에서 사용하기에 더욱 적합하다. CNN모델을 사용함으로서 생기는 이득들은 편향과 분산의 트레이드오프를 나타내는 (4)을 통하여 설명되어진다[9].

(4)
$\epsilon=\beta_{M}^{2}+\sigma_{M}+\sigma_{D}^{2}$

여기서 $\epsilon $은 모델의 오분류율이고, $\beta _{M}$은 실제 관계함수와 학습 알고리즘을 통해 근사된 함수 사이의 편향을 의미하며 $\sigma _{M}$은 근사된 함수가 평균에서 변동하는 폭을 의미한다. $\sigma _{D}$는 데이터 자체가 가지고 있는 분산을 의미하며 이는 줄일 수 없는 오차를 의미한다. 하지만 본 논문에서는 전 절의 데이터 전처리 알고리즘을 통하여 $\sigma _{D}$를 감소시켰다. 이는 딥 러닝 알고리즘의 분류 오차를 감소시켰음을 의미한다. 여기서 딥 러닝 알고리즘의 분류 오차를 더욱 감소시키기 위해서는 $\beta_{M}^{2}$ 혹은 $\sigma _{M}$을 감소시켜야 한다. 일반적으로 $\beta_{M}^{2}$가 클 경우 과소적합의 문제를 발생 시키며 가 클 경우에는 $\beta_{M}^{2}$과 적합 문제를 발생시킨다[9]. 하지만 이미지 분류에 특화된 CNN을 이용하게 될 경우 모델의 복잡도를 최소화시켜 $\sigma _{M}$을 감소시켜 과 적합 문제를 방지할 수 있다. 또한 모델 자체의 특성을 통하여 복잡도가 최소화된 경우에도 충분한 분류 성능을 보일 수 있다. 그림. 3은 본 논문에서 사용된 데이터 전처리 알고리즘과 모델의 복잡도를 최소화 시킨 CNN구조를 보여준다.

그림. 3. 데이터 전처리 알고리즘과 CNN을 기반으로 한 딥러닝 알고리즘 구조

Fig. 3. Data preprocessed algorithms and deep learning algorithms structure based on CNN

../../Resources/kiee/KIEE.2019.68.3.423/fig3.png

3.2 제안된 전처리 알고리즘

앞 절에서 확인한 바와 같이 전동기의 진동은 속도에 비례하는 주파수 대역에서 발생된다. 또한 실제로 발생하는 기어 간의 충돌뿐만 아니라 전자기적 요인에 의해서도 진동이 발생하는 것을 확인하였다. 하지만 본 논문에서 고려하고 있는 고장 상태는 기어 손상 상태이기 때문에 전자기적 요인에 의하여 발생되는 진동은 고장을 나타내는 신호가 아니라는 것에 유의하여야 한다. 즉, 인가 주파수에 비례하는 진동 성분들은 딥 러닝 알고리즘의 훈련 데이터의 분산을 증가시키는 역할을 할 뿐 고장 상태의 특징 및 패턴을 만드는 요인이 아니다. 본 논문에서 개발된 데이터 전처리 알고리즘은 전동기의 인가 주파수를 입력 변수로 하여 전자기적 요인에 의하여 발생될 수 있는 주파수 대역의 진동 성분을 모두 제거한다. 그 후 FFT된 진동 데이터들을 기준으로 선정한 인가 주파수에서의 신호와 동일한 패턴을 가질 수 있게 주파수 영역에서 데이터를 이동시켜준다. 이러한 이동을 위하여 추가적으로 전동기의 축 속도를 입력 변수로 한다. 그 후에 입력 받은 전동기의 축 속도와 기준이 되는 인가 주파수에서의 축 속도를 이용하여 주파수 이동 비를 계산한다. 계산된 이동 비를 이용하여 주파수 영역의 진동 신호를 기준 신호에 맞추어 정렬시킨다. 마지막으로 훈련 데이터들의 평균을 통하여 계산된 일정 값 미만의 데이터들의 값을 0으로 변환하여 데이터의 분산을 더욱 감소시킨다. 그림. 4는 이 전처리 알고리즘의 블록도를 보여준다.

그림. 4. 데이터 전처리 알고리즘의 블록도

Fig. 4. Block diagram of data preprocessing algorithm

../../Resources/kiee/KIEE.2019.68.3.423/fig4.png

그림. 4의 블록도의 세부적인 작업은 다음과 같다. 우선 인가 주파수에 의하여 발생되는 진동 성분을 제거하는 조건 수식은 (5)와 같다.

(5)
$\left\{\begin{array}{ll}{S_{f}=0} & {\left(S_{f}=f_{\in p u t} \cdot I\right)} \\ {S_{f}=S_{f}} & {\left(S_{f} \neq f_{\in p u t} \cdot I\right)}\end{array}\right. , \quad \left[f=0,1,2 \cdots L_{D}\right]$

여기서 $f$는 주파수를 의미하고 $L_{d}$는 입력된 데이터의 최고 주파수를 의미한다. $f_{input}$은 입력 변수인 인가 주파수이며 $S_{f}$은 주파수 $f$에서의 주파수 스펙트럼을 의미하며, $I$는 양의 정수이다. 즉, 인가 주파수의 고조파 성분에서의 진동 성분들을 모두 제거한다.

실제 전동기 속도에 비례하여 주파수 영역에서 데이터를 이동시킬 때 사용되는 수식은 식 (6)과 같다.

(6)
$f_{\text {moved}}=\frac{N_{\text { standard }}}{N_{\text { put }}} \cdot S_{f}, \quad \left[f=0,1,2 \cdots L_{D}\right]$

여기서 $f_{standard}$는 기준 속도이다. $N_{input}$은 입력되어지는 [rpm]단위의 축 속도이며 $f_{moved}$는 기준 신호를 기준으로 정렬된 주파수 영역의 진동 데이터를 의미한다. 식 (6)은 기준 속도와 실제 속도 사이의 비를 구하여 기어 충돌에 의하여 진동이 발생되는 주파수를 기준 속도에 맞추어 정렬시킨다.

주파수 스펙트럼 내 최댓값을 기준으로 크기를 보상해주는 이유는 매 계측 시 달라지는 진동 데이터의 주파수 스펙트럼의 크기를 보상하여 데이터의 패턴을 더욱 일관성 있게 만들어 주기 때문이다. 그림. 5는 본 논문에서 개발된 데이터 전처리 알고리즘을 통하여 전처리된 데이터를 보여준다.

그림. 5. 원 데이터와 전처리된 데이터 비교

Fig. 5. Comparison of raw data and preprocessed data

../../Resources/kiee/KIEE.2019.68.3.423/fig5.png

4. 실험 및 결과

4.1 실험 환경

본 논문에서는 전동기의 속도 및 부하 특성을 고려한 딥 러닝 고장 진단 알고리즘을 개발하는 연구가 진행되었다. 앞 장에서 설명했듯이 전동기의 고장 상태는 그림. 1과 같은 기어 손상 상태이다. 사용된 유도 전동기의 모델은 ‘K9IP200FH’이다. 이 전동기는 4극기이며 정격 전압 220V에 용량은 200W이다. 속도 측정 및 부하 조절을 위하여 유도 전동기에 다이나모 미터를 부착하였다. 훈련 데이터로 사용될 진동 신호를 계측하기 위하여 단축 가속도 센서를 기어 박스의 X축 우측 단면에 부착하였다. 진동 신호를 계측하기 위하여 PXI를 사용하였으며 샘플링 주파수는 20 [kHz]로 설정하였다. 계측된 데이터는 FFT되어 훈련 데이터로 사용된다. 데이터의 길이는 200으로 선정하였다. 데이터의 길이를 200으로 선정한 이유는 앞 장에서 설명했듯이 상용 전원 주파수의 절반인 30[Hz]를 기준으로 하였기 때문이며, 전처리된 데이터에서 기어 충돌에 의한 진동의 주파수는 상대적으로 저주파수일 가능성이 높기 때문이다. 그림. 6은 본 논문에서 사용된 실험 환경을 보여주며 표 1은 딥 러닝 알고리즘 학습에 사용된 데이터에 관한 정보이다.

그림. 6. 실험 환경 : (1) 다이나모 미터 컨트롤러, (2) 다이나모 미터, (3) 유도 전동기, (4) 진동 센서, (5) 전압, 전류 계측 장비, (6) 데이터 수집 보드, (7) 소음 진동 DAQ

Fig. 6. Experimental setup : (1) Dynamometer Controller, (2) Dynamometer, (3) Induction Motor, (4) Vibration Sensor, (5) Voltage and Current Measurement Equipment, (6) Data Acquisition Board, (7) Noise and Vibration DAQ

../../Resources/kiee/KIEE.2019.68.3.423/fig6.png

표 1. 딥 러닝 알고리즘 학습에 사용된 데이터 정보

Table 1. Data information for deep learning algorithm training

샘플링 주파수

20 [kHz]

사용된 데이터 길이

200

훈련 데이터의 수

2000 Ea

검증 데이터의 수

10000 Ea

4.2 전동기 속도 및 부하 조건을 고려한 딥 러닝 고장 진단 알고리즘 성능 평가

본 논문에서는 전동기 속도 및 부하 조건을 고려한 딥 러닝 고장 진단 알고리즘 성능 평가를 위하여 전동기의 속도를 전동기 축 기준으로 1390[rpm]에서 1490[rpm]까지 변동시켜가며 각 속도에서 데이터를 1000개씩 수집하였다. 이때 전원주파수는 46 [Hz]에서 50[Hz]까지 변동 시켰으며 부하를 0.1[Nm]에서 3.0 [Nm]까지 변동시켜가며 데이터를 수집하였다. 전동기의 진동 데이터는 데이터 전처리 알고리즘을 통하여 전처리되었으며 이에 따라 정상 상태와 고장 상태에서 기어 충돌에 의한 진동이 확인되는 주파수 대역의 범위가 동일해졌다. 이 때 정상 상태와 고장 상태의 데이터 특징 차이는 재연성이 확인되었으며 그 모습을 그림. 7을 통하여 확인할 수 있다.

그림. 7. 전처리된 데이터에서의 정상 상태와 고장 상태의 데이터 특성 차이

Fig. 7. Differences in data characteristics between normal and fault condition in preprocessed data

../../Resources/kiee/KIEE.2019.68.3.423/fig7.png

전동기 속도 및 부하 조건을 고려한 딥 러닝 고장 진단 알고리즘의 성능을 평가하기 위하여 앞 장에서 설명한 데이터 전처리 알고리즘과 CNN기반의 딥 러닝 알고리즘을 이용하여 고장 진단 정확도를 확인하였다. 여기서 말하는 고장 진단 정확도란 딥 러닝 알고리즘에서 추론한 결과와 실제 값이 동일한 경우를 전체 추론 횟수로 나눈 값을 퍼센트 단위로 나타내는 것을 의미한다. 딥 러닝 알고리즘의 학습에 사용된 훈련 데이터는 전원 주파수 50[Hz]의 부하 0.8[Nm] 전동기 축 속도 1490[rpm]에서의 정상 상태와 고장 상태의 전처리된 진동 데이터이다. 알고리즘의 성능을 평가하는데 사용되는 데이터는 1390[rpm]에서 1490[rpm]까지 변동되는 각 속도 및 부하에서의 전처리된 정상 상태와 고장 상태의 진동 데이터이다.

또한 고장 진단의 알고리즘의 보편적인 성능을 확인하기 위하여 상용 전원 주파수 60[Hz]의 부하 0.8[Nm] 전동기 축 속도 1790[rpm]에서의 정상 상태와 고장 상태의 전처리된 진동 데이터를 훈련 데이터로 사용하고 1690[rpm]에서 1790[rpm]까지 변동되는 각 속도 및 부하에서의 전처리된 정상 상태와 고장 상태의 진동 데이터를 훈련 데이터로 하여 실험을 진행하였다. 또한 각 실험에서 데이터 전처리 알고리즘의 성능을 확인하기 위하여 전원 주파수 성분을 제거하지 않고 주파수 영역에서 데이터를 이동시킨 데이터를 훈련 데이터로 하여 동일한 실험을 진행 하였다. 위 실험의 결과는 그림. 8표 2를 통하여 확인할 수 있다.

그림. 8. 데이터 전처리 알고리즘 유무에 따른 에폭당 정확도

Fig. 8. Accuracy per epoch with/without data preprocessing algorithm.

../../Resources/kiee/KIEE.2019.68.3.423/fig8.png

표 2. 데이터 전처리 알고리즘 사용 유무에 따른 실험 결과

Table 2. Experimental results with/without data pre- processing algorithm

최대 정확도

전처리된 데이터에서의 실험 결과

전원 주파수 50Hz에서의 진동 신호

97.19%

전원 주파수 60Hz에서의 진동 신호

94.48%

전처리되지 않은 데이터에서의 실험 결과

전원 주파수 50Hz에서의 진동 신호

85.63%

전원 주파수 60Hz에서의 진동 신호

82.97%

그림. 8표 2를 통하여 데이터 전처리 알고리즘을 통하여 훈련 데이터로 사용하지 않은 속도 혹은 부하에서의 데이터 또한 딥 러닝 알고리즘을 이용하여 고장 진단을 할 수 있다는 것을 알 수 있다. 또한 전처리된 데이터를 이용하여 학습을 진행하였을 때 94% 이상의 정확도까지 소요되는 에폭이 30이하의 값을 갖는 것을 확인하여 본 논문에서 제안한 딥 러닝 고장 진단 알고리즘이 과적합 문제에 있어 큰 영향을 받지 않음을 알 수 있다. 이 때 에폭의 수를 30회로 제한한 것은 학습 모델이 훈련 모델에 과적합되는 것을 방지하기 위함이다. 또한 전처리 알고리즘을 이용하여 전동기 회전 속도에 맞추어 데이터를 정렬하였지만 인가 주파수에 의한 진동 성분을 제거하지 않은 경우 진단 정확도가 86% 이하로 상대적으로 낮다는 것을 확인할 수 있다. 여기서 전원 주파수 별로 최대 정확도의 차이가 발생하는 것은 전동기의 진동이 상용 주파수에도 영향을 받기 때문에 상용 주파수 부근의 데이터들의 분산이 증가된 것으로 판단된다.

이 결과를 통하여 인가 주파수가 딥 러닝 알고리즘 훈련 데이터 성능에 끼치는 영향을 알 수 있으며 본 논문에서 제안한 데이터 전처리 알고리즘의 성능을 확인할 수 있다. 앞서 서술하였듯이 딥 러닝 알고리즘에 훈련 데이터로 전동기의 모든 속도와 부하 조건에서의 데이터를 사용하는 것에는 어려움이 있다. 따라서, 본 논문에서 제안한 데이터 전처리 알고리즘과 CNN기반의 딥 러닝 알고리즘을 이용한다면 최소한의 전동기 구동 조건에서의 데이터를 이용하여 다양한 구동 조건에서의 고장 진단을 할 수 있다. 이는 딥 러닝을 이용한 무인 고장 진단을 실제 산업 현장에 적용함에 있어 큰 도움을 줄 것이라고 예상된다.

5. 결 론

본 논문에서는 전동기의 속도 및 부하 조건을 고려한 딥 러닝 고장 진단 알고리즘을 개발하는 연구가 진행되었다. 고장 진단에 딥 러닝을 적용하는 이전의 연구들 [4~6][4-6]의 경우 전동기의 구동 조건을 고려하지 않은 문제점이 있어 개발된 알고리즘을 실제 산업 현장에 즉시 적용하는 것에는 어려움이 있다. 이러한 문제점을 해결하기 위해서 데이터 전처리 알고리즘 및 CNN기반의 딥 러닝 알고리즘을 제안하였다. 유도 전동기의 속도는 인가 주파수뿐만 아니라 부하에도 영향을 받으며 발생되는 진동은 전동기의 속도뿐만 아니라 인가 주파수에도 영향을 받기 때문이다. 이러한 이유로 전동기에서 발생하는 진동 중 전자기적 요인에 의하여 발생되는 진동 성분을 제거하고 주파수 영역의 진동 데이터를 속도를 기준으로 기준 신호에 맞추어 정렬시켜주었다. 또한 데이터 전처리 알고리즘을 거친 데이터를 훈련 데이터 및 검증 데이터로 사용하는 CNN 기반의 딥 러닝 알고리즘을 개발하였다. 딥 러닝 알고리즘의 모델로 CNN을 선정한 이유는 모델의 복잡도를 감소시킬 수 있으며 분류 성능을 증가시킬 수 있기 때문이다. 데이터 전처리 알고리즘과 CNN기반의 고장 진단 딥 러닝 알고리즘의 성능을 확인하기 위하여 고정되지 않은 속도 및 인가 주파수에서의 데이터를 이용하여 학습 및 검증을 진행하였다. 실험의 결과로 데이터 전처리를 통하여 분산이 낮아진 데이터를 CNN기반의 딥 러닝 알고리즘은 94%이상의 우수한 성능으로 분류하는 것을 확인하였다.

최종적으로 본 논문에서 제안한 데이터 전처리 알고리즘 및 CNN기반의 딥 러닝 알고리즘을 이용한다면 많은 구동 조건에서의 기어 고장 진단을 실제 산업 현장에 조금 더 현실적으로 도입할 수 있을 것으로 기대된다.

감사의 글

본 연구는 한국전력공사의 사외공모 기초연구(개별)에 의해 지원되었음 [과제번호 : R18XA06-23]

References

1 
Meng Q., Qu L., 1991, Rotating machinery fault diagnosis using Wigner distribution, Mechanical Systems and Signal Processing, Vol. 3, pp. 155-166DOI
2 
Feng Z., Zuo M. J., October. 2012, Vibration signal models for fault diagnosis of planetary gearboxes, Journal of Sound and Vibration, Vol. 331, No. 22, pp. 4919-1939DOI
3 
Yu D., Yang Y., Cheng J., November-December. 2007, Application of time–frequency entropy method based on Hilbert–Huang transform to gear fault diagnosis, Measurment, Vol. 40, No. 9-10, pp. 823-830DOI
4 
Sun J. W., Wyss R., Steinecker A., Glocker P., April 2014, Automated fault detection using deep belief networks for the quality inspection of electromotors, Technisches Messen, Vol. 81, pp. 255-263DOI
5 
Shao S., Sun W., Wang P., Gao Robert X., Yan R., 2016, Learning features from vibration signals for induction motor fault diagnosis, 2016 International Symposium on Flexible Automation, pp. 71-76DOI
6 
Li W., Zhang S., He G., May 2013, Semisupervised distance- preserving selforganizing map for machine-defect detection and classification, IEEE Trans. Instrum Meas, Vol. 62, No. 5, pp. 869-879DOI
7 
Park C. J., Seo K., 2010, A Study on the Accuracy Improvement of Acoustic Analysis of the EV Motor, The Korean Society for Noise and Vibration Engineering Fall Conference, pp. 348-349Google Search
8 
Simonyan K., Zisserman A., 2015, Very deep convolutional networks for large-scale image recognition, International Conference on Learning Representations (ICLE)Google Search
9 
Geman S., Bienenstock E., 1992, Neural networks and the bias/variance dilemma, Neural Computation, Vol. 4, No. 1, pp. 1-58DOI

저자소개

한 지 훈 (Ji-Hoon Han)
../../Resources/kiee/KIEE.2019.68.3.423/au1.png

2019년 호서대학교 디지털제어공학과 졸업

2019~현재 호서대학교 정보제어공학과 대학원 석사과정

관심분야는 전기기기 동적 해석, 서보기기 제어, 딥 러닝, IoT

최 동 진 (Dong-Jin Choi)
../../Resources/kiee/KIEE.2019.68.3.423/au2.png

2019년 호서대학교 디지털제어공학과 졸업

2019~현재 호서대학교 정보제어공학과 대학원 석사과정

관심분야는 전기기기 동적 해석, 빅 데이터, 딥 러닝, IoT

홍 선 기 (Sun-Ki Hong)
../../Resources/kiee/KIEE.2019.68.3.423/au3.png

1987년 서울대학교 전기공학과 졸업

1989년 동 대학원 석사졸업

1993년 동 대학원 전기공학 박사

1993~1995 렉스산전㈜ 선임연구원

1995~현재 호서대학교 디지털제어공학과 교수

관심분야는 히스테리시스 해석, 전기기기 해석, 설계 및 고장진단, 서보기기 제어, 컨버터 및 인버터 설계, 딥러닝, IoT