본문 바로가기
KERD
논문KCI 등재

LSTM을 이용한 협동 로봇 동작별 전류 및 진동 데이터 잔차 패턴 기반 기어 결함진단

Gear Fault Diagnosis Based on Residual Patterns of Current and Vibration Data by Collaborative Robot’s Motions Using LSTM

이정원|유동연|백지훈
한국정보처리학회|2023.10|정보처리학회 논문지 (The Transactions of the Korea Information Processing Society)|제12권 제10호|pp. 445-454

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

Correlation Analysis상관분석LSTMPrognostics and Health ManagementCollaborative Robot협동로봇건전성 예측 및 관리기어 결함진단Gear Fault Diagnosis
주제분류컴퓨터학

초록

최근에는 협동 로봇의 데이터를 활용한 다양한 결함진단 연구가 수행되고 있다. 협동 로봇의 결함진단을 수행하는 기존 연구들은 기존 연구의학습 데이터는 미리 정의된 기기의 동작을 가정하고 수집한 정적 데이터를 사용한다. 따라서 결함진단 모델은 학습한 데이터 패턴에 대한 의존성이높아지는 한계가 있다. 또한 단일 모터를 사용한 실험으로 다관절이 동작하는 협동 로봇의 특성을 반영한 진단이 이루어지지 못했다는 한계가있다. 본 논문에서는 앞서 언급한 두 가지 한계점을 해결할 수 있는 LSTM 진단 모델을 제안한다. 제안하는 방법은 단일 축 및 다중 축 작업 환경에서의진동 및 전류 데이터의 상관분석을 사용하여 정상 대표 패턴을 선정하고, 정상 대표 패턴과의 차이를 통해 잔차 패턴을 생성한다. 생성된 잔차패턴을 입력으로 축별 기어 마모 진단을 수행할 수 있는 LSTM 모델을 생성한다. 해당 결함진단 모델은 동작별 대표 패턴을 통해 모델의 학습데이터 패턴에 대한 의존성을 낮출 수 있을 뿐 아니라 다중 축 동작 수행 시 발생하는 결함을 진단할 수 있다. 마지막으로, 내부 및 외부 데이터의특성을 모두 반영하여 결함진단 성능을 개선한 결과 98.57%의 높은 진단 성능을 보였다.

Abstract

Recently, various fault diagnosis studies are being conducted utilizing data from collaborative robots. Existing studies performing faultdiagnosis on collaborative robots use static data collected based on the assumed operation of predefined devices. Therefore, the faultdiagnosis model has a limitation of increasing dependency on the learned data patterns. Additionally, there is a limitation in that a diagnosisreflecting the characteristics of collaborative robots operating with multiple joints could not be conducted due to experiments using asingle motor. This paper proposes an LSTM diagnostic model that can overcome these two limitations. The proposed method selectsrepresentative normal patterns using the correlation analysis of vibration and current data in single-axis and multi-axis work environments,and generates residual patterns through differences from the normal representative patterns. An LSTM model that can perform gear weardiagnosis for each axis is created using the generated residual patterns as inputs. This fault diagnosis model can not only reduce thedependence on the model's learning data patterns through representative patterns for each operation, but also diagnose faults occurringduring multi-axis operation. Finally, reflecting both internal and external data characteristics, the fault diagnosis performance wasimproved, showing a high diagnostic performance of 98.57%.

참고문헌 (27)

  1. A. G. Frank, "Industry 4.0 technologies: Implementation patterns in manufacturing companies", International Journal of Production Economics, 210, pp.15~26 (2019)
  2. A. Weiss, "User experience of a smart factory robot : Assembly line workers demand adaptive robots", arXiv preprint arXiv : 1606. 03846, ~ (2016)
  3. R. Ahmad, "An overview of time-based and condition-based maintenance in industrial application", Computers & Industrial Engineering, 63(1), pp.135~149 (2012)
  4. T. Gulledge, "Condition-based maintenance and the product improvement process", Computers in Industry, 61(9), pp.813~832 (2010)
  5. S. Selcuk, "Predictive maintenance, its implementation and latest trends", Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 231(9), pp.1670~1679 (2017)
  6. L. F. Villa, "Statistical fault diagnosis based on vibration analysis for gear test-bench under non-stationary conditions of speed and load", Mechanical Systems and Signal Processing, 29, pp.436~446 (2012)
  7. S. Vallachira, "Datadriven gearbox failure detection in industrial robots", IEEE Transactions on Industrial Informatics, 16(1), pp.193~201 (2019)
  8. D. A. Tobon-Mejia, "CNC machine tool's wear diagnostic and prognostic by using dynamic Bayesian networks", Mechanical Systems and Signal Processing, 28, pp.167~182 (2012)
  9. Z. Yu, "Diagnosis of the misaligned faults of the vertical test instrument of high-precision industrial robot reducer", Shock and Vibration, 2021, pp.1~17 (2021)
  10. A. Bonci, "Predictive maintenance system using motor current signal analysis for industrial robot", 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA) (2019), IEEE
  11. Q. Yang, "Fault diagnosis of ball screw in industrial robots using non-stationary motor current signals", Procedia Manufacturing, 48, pp.1102~1108 (2020)
  12. Y. Kim, "Phase-based time domain averaging(PTDA)for fault detection of a gearbox in an industrial robot using vibration signals", Mechanical Systems and Signal Processing, 138, pp.106544~ (2020)
  13. C. C. Lo, "Prognosis of bearing and gear wears using convolutional neural network with hybrid loss function", Sensors, 20(12), pp.3539~ (2020)
  14. J. Long, "Attitude data-based deep hybrid learning architecture for intelligent fault diagnosis of multi-joint industrial robots", Journal of Manufacturing Systems, 61, pp.736~745 (2020)
  15. L. F. Villa, "Statistical fault diagnosis based on vibration analysis for gear test-bench under non-stationary conditions of speed and load", Mechanical Systems and Signal Processing, 29, pp.436~446 (2012)
  16. Z. Gao, "A survey of fault diagnosis and fault-tolerant techniques—Part I : Fault diagnosis with model-based and signal-based approaches", IEEE Transactions on Industrial Electronics, 62(6), pp.3757~3767 (2015)
  17. L. Console, "Model-based diagnosis in the real world: Lessons learned and challenges remaining", IJCAI, 99 (1999)
  18. A. Soualhi, "PHM SURVEY : Implementation of diagnostic methods for monitoring industrial systems", International Journal of Prognostics and Health Management, 10(2), pp.6909~6932 (2019)
  19. D. U. Campos-Delgado, "An observer-based diagnosis scheme for single and simultaneous open-switch faults in induction motor drives", IEEE Transactions on Industrial Electronics, 58(2), pp.671~679 (2010)
  20. Z. W. Huang, "Parity space-based fault diagnosis of CCBII braking system", Journal of Central South University, 20(10), pp.2922~2928 (2013)
  21. A. T. James, "Fault diagnosis of automobile systems using fault tree based on digraph modeling", International Journal of System Assurance Engineering and Management, 9(2), pp.494~508 (2018)
  22. A. A. Jaber, "Industrial robot backlash fault diagnosis based on discrete wavelet transform and artificial neural network", American Journal of Mechanical Engineering, 4(1), pp.21~31 (2016)
  23. J. Pan, "Sensor and actuator fault diagnosis for robot joint based on deep CNN", Entropy, 23(6), pp.751~ (2021)
  24. P. Zou, "Bearing fault diagnosis method based on EEMD and LSTM", International Journal of Computers Communications & Control, 15(1) (2020)
  25. I. Mitiche, "Data-driven anomaly detection in high-voltage transformer bushings with lstm auto-encoder", Sensors, 21(21), pp.7426~ (2021)
  26. S. Hochreiter, "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
  27. "Niryo One - An accessible educational 6 axis robotic arm, just for you – Niryo" (2019)[URL]

관련 논문AI추천

협동 로봇의 프로그래머블 동작 결함 데이터 증강을 위한 디퓨전 모델 기반 시계열 데이터 생성기법김진세, 이정원, 최민서한국정보처리학회 · 정보처리학회 논문지2025 · 제14권 제2호음향 데이터를 이용한 CNN 추론 윈도우 기반 산업용 직교 좌표 로봇의 고장 진단 기법조현태대한임베디드공학회 · 대한임베디드공학회논문지2024 · 제19권 제1호모터 전력 소비를 이용한 비정상적인 동작 감지강영진, 김기환, 김민규, 김현호, 류수미, 이진흥, 이훈재한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2018 · 제23권 제10호LSTM 기반 드론의 모터 진동 이상 감지 시스템이양규, 홍성찬, 홍준기한국엔터프라이즈아키텍처학회 · 정보화연구2020 · 제17권 제4호딥뉴럴네트워크를 이용한 다관절 로봇의 충돌 판별권우경, 이상준, 진용식대한임베디드공학회 · 대한임베디드공학회논문지2021 · 제16권 제2호기어박스의 예측정비를 위한 인공지능 기반의 이상탐지 및 결함분류에 관한 연구김지혁, 김호수, 이제동한국IT정책경영학회 · 한국IT정책경영학회 논문지2019 · 제11권 제6호

이 간행물의 다른 논문 (4건)

CodeBERT 모델의 전이 학습 기반 코드 공통 취약점 탐색김영철, 문소영, 박찬솔pp. 431-436위치정보 보호를 위한 이동 경로 기록 및 관리 서비스 앱 개발김아영, 김성욱, 오민정, 김서연, 오샘pp. 437-444생성-선정을 통한 텍스트 증강 프레임워크오흥선, 김경민, 김동환, 조성웅, 황명하pp. 455-460딥러닝을 활용한 한국어 스피치 애니메이션 생성에 관한 고찰강석찬, 김동주pp. 461-470
원문 보기