기계학습 알고리즘을 활용한 베어링의 고장 예측 알고리즘 개발에 관한 연구
Fault diagnosis of bearings using machine learning algorithm
0
조회
0
다운로드
16
인용
0
참고문헌
키워드
초록
산업 현장에서의 기계 및 장비의 고장은 큰 인명피해 및 재산적 피해를 유발시키므로, 시스템의 상태를 실시간으로 파악하는 것이 매우 중요하다. 최근 4차 산업 혁명(Industry 4.0)으로 인해 기계 설비의 자동화/자율화를 위한 연구가 활발히 진행되고 있다. 특히, SVM(Support Vector Machine), RF(Random Forest) 알고리즘을 활용하여 기계 및 장비의 고장을 예측하고 대응할 수 있는 장비 예지보전 기술에 관해 많이 연구되고 있다. 본 논문에서는 기계학습(Machine learning; ML)을 이용한 베어링의 고장 예측에 관한 연구를 진행하였으며, DNN을 포함한 다양한 기계학습알고리즘의 적용을 통하여 베어링의 고장 예측에 적합한 알고리즘에 대하여 기술하였다. 베어링의 고장 예측 알고리즘을 5단계(데이터 전처리, 특징 선택, 데이터 분할, 예측 모델 구성, 예측 모델 개선)로 나누어 설명한다. 본 논문의결과를 활용하여 베어링의 고장 예측뿐만 아니라 다양한 기계 및 장비의 고장을 예측하는 문제에 적용할 수 있다. 또한, 본 논문의 결과를 활용하여 실시간 기계장비의 상태 모니터링 시스템 및 잔여수명 예측에 관한 연구로 확장해나갈 것이다.
Abstract
Understanding the state of an industrial system in real time is critical because the failure of machines and equipment in the industrial field can cause great loss of life and property damage. Owing to the fourth industrial revolution (Industry 4.0), research on the automation and autonomization of machinery has been actively conducted. In particular, much research has been done on the technology of equipment maintenance and prediction, which can predict and cope with the failure of machines and equipment using support vector machine and random forest algorithms. In this study, we investigate the fault diagnosis of bearings using machine learning (ML). An algorithm suitable for predicting the failure of bearings is developed through the application of various ML algorithms, including deep neural networks. In this study, the fault diagnosis algorithm of the bearing is divided into five steps (data preprocessing, feature selection, data partitioning, configuring forecasting models, and improved forecasting model). The results of this study can be applied not only to the failure prediction of bearings but also to the problem of predicting the failure of various other machines and equipment. In addition, we will advance the research on condition monitoring systems and residual life prediction of real-time mechanical equipment using the results of this study.
참고문헌 (17)
- The Age of Industry 4.0and speed, "Journal of Electrical World Monthly Magazine", 2017, 16~19
- S. W. Lee, "Intelligent failure prognosis and health management system technology for smart factory", Journal of The Korean Society of Mechanical Engineers, 58(9), pp.32~36 (2018)
- J. H. Choi, "Introduction of failure prognosis and P.H.M", Journal of The Korean Society of Mechanical Engineers, 53(7), pp.24~34 (2013)
- M. Y. Kim, "Health diagnosis method for journal bearing rotor systems using deep learning technique", Abstracts of the KSNVE Annual Autumn Conference, pp.242~ (2017)
- 김양석, "서포트 벡터 머신을 이용한 볼 베어링의 결함 정도 진단", 대한기계학회논문집 B, 37(6), pp.551~558 (2013), 대한기계학회
- C. W. Lee, "A study on the optimal data learning for fault diagnosis of bearing", Conference of The Korean Society of Mechanical Engineers, pp.1781~1783 (2017)
- 조윤정, "실시간 학습 방법을 이용한 베어링 고장진단 성능 개선", 예술인문사회 융합 멀티미디어 논문지, 7(4), pp.551~559 (2017), 사단법인 인문사회과학기술융합학회[DOI]
- H. Brink, "Real-World Machine Learning" (2016), Manning Publications
- A. Geron, "Hands-on Machine Learning with Scikit-Learn & TensorFlow" (2017), O’Reilly Media
- S. Gollapudi, "Practical Machine Learning" (2016), Packt Publishing
- T. Mitchell, "Machine Learning", pp.Math, McGraw-Hill Science
- H. Qiu, "Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics", Journal of Sound and Vibration, 289(4-5), pp.1066~1090 (2006)
- J. Goldberger, "Neighbourhood components analysis", Advances in Neural Information Processing Systems, 17, pp.513~520 (2005)
- 김지은, "MFCC를 이용한 GMM 기반의 음성", 혼합 신호 분류, 2013, pp.50(2), 185~192[DOI]
- M. Sokolova, "Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation", Conference: Australasian Joint Conference on Artificial Intelligence (2006)
- Y. Sasaki, "The Truth of the F-measure", pp.2007
- 이호현, "기계학습 응용 및 학습 알고리즘 성능 개선방안 사례연구", 디지털융복합연구, 14(2), pp.245~258 (2016), 한국디지털정책학회[DOI]