본문 바로가기
KERD
논문KCI 등재

CNN 기반 딥러닝을 이용한 베어링 고장 진단의 정확도 및 계산 복잡도 분석

Analysis of Accuracy and Computation Complexity of Bearing Fault Diagnosis Methods using CNN-based Deep Learning

김철홍|박재현
한국차세대컴퓨팅학회 (KINGComputing)|2022.02|한국차세대컴퓨팅학회 논문지 (The Journal of Korean Institute of Next Generation Computing)|제18권 제1호|pp. 7-18|DOI 10.23019/kingpc.18.1.202202.001

0

조회

0

다운로드

8

인용

0

참고문헌

키워드

딥러닝Deep LearningFault Detection고장 진단ComplexityFault DiagnosisBearing고장 검출베어링복잡도
주제분류컴퓨터학

초록

산업 현장에서 사용되는 기계 설비 고장의 상당 부분을 베어링의 고장이 차지하고 있는 상황에서, 베어링 고장으로 인해 발생하는 경제적/시간적 손실을 최소화하기 위해서는 빠르고 정확한 베어링 고장 진단 시스템 구축이 요구된다. 본 논문에서는 베어링의 상태 정보를 담고 있는 음향 방출 신호를 시간-주파수 영역의 스펙트로그램 이미지로 변환한 후에, CNN 기반 딥러닝을 적용하여 베어링의 상태를 정확하게 판단할 수 있는 베어링 고장 진단 기법을 제안한다. 제안된 고장 진단 기법을 다양한 CNN 모델을 활용하여 구현함으로써 CNN 모델에 따른 딥러닝 기반 베어링 고장 진단의 정확성을 평가하고자 한다. 또한, 실제 산업 현장에서의 실시간 고장 진단 가능성을 판단하기 위해 CNN 모델에 따른 고장 진단 계산 복잡도를 분석한다. 이를 위해, 적용되는 CNN 모델에 따른 고장 진단 연산의 Multiply-Accumulate 복잡도를 구하고 실제 현장 적용에 적합할 것으로 판단되는 CNN 모델을 선택한 후, 해당 CNN 모델이 적용된 고장 진단을 라즈베리파이보드에서 동작시켜 봄으로써 산업 현장에 적용 가능한 임베디드시스템에서의 실시간 진단 가능성을 확인하고자 한다. 실험 결과, 기존의 신호 처리를 기반으로 하는 베어링 고장 진단 기법들이 약 80%의 정확도를 보여주는 반면 제안하는 딥러닝을 적용한 베어링 고장 진단 기법은 100%에 가까운 높은 진단 정확도를 제공한다. 하지만, 가장 낮은 계산 복잡도를 요구하는 ShuffleNet을 적용하는 제안 기법의 경우에도 라즈베리파이보드에서 진단을 수행하는데 24,270ms를 소요하여, 산업 현장에서 사용되기 위해서는 계산 복잡도를 더욱 낮출 수 있는 방안이 개발되어야 함을 알 수 있다.

Abstract

Bearing faults account for a large portion of machine faults in real industrial sites. To minimize the damages caused by bearing faults, it is necessary to provide an accurate real-time bearing faults diagnosis system. In this work, we propose a new bearing fault diagnosis method using deep learning with various CNN models, where acoustic emission signals from working bearings are used to analyze the status of bearings. In the proposed method, the acoustic emission signals acquired from the bearings are converted into spectrogram images in the time-frequency domain, and then the status of bearings can be diagnosed through deep learning with various CNN models. Traditional signal processing based bearing fault diagnosis methods show the accuracy of about 80%, while our proposed deep learning based method provides very high fault diagnosis accuracy of about 100%. We also apply the proposed deep learning based fault diagnosis method to Raspberry Pi to test the availability for the working conditions in real industrial sites. We measured the multiply-accumulate complexity of the fault diagnosis process with various CNN models to find the CNN model suitable for real working conditions, and then the selected ShuffleNet CNN model was implanted and operated in Raspberry Pi to check the possibility of real-time bearing fault diagnosis.

참고문헌 (30)

  1. M. Kang, "A Hybrid Feature Selection Scheme for Reducing Diagnostic Performance Deterioration Caused by Outlines in Data-Driven Diagnostics", IEEE Trans. Ind. Electron, 63(5) (2016)
  2. Minh Tuan Pham, "Accurate Bearing Fault Diagnosis under Variable Shaft Speed using Convolutional Neural Networks and Vibration Spectrogram", Appl. Sci, 10(18) (2020)
  3. 김동환, "진동신호 특성 예측및 분류를 통한 회전체 고장진단 방법", 한국소음진동공학회 학술대회 논문지, pp.90~93 (2014)
  4. Minh Tuan Pham, "Intelligent Diagnosis Method using Acoustic Emission Signals for Bearing under Complex Working Conditions", Appl. Sci, 10(20) (2020)
  5. 안병현, "회전기계 결함신호 진단을 위한 신호처리 기술 개발", 한국소음진동공학회논문집, 24(7), pp.555~561 (2014), 한국소음진동공학회[DOI]
  6. 강경원, "스펙트로그램 이미지를 이용한 CNN 기반 자동화 기계 고장 진단 기법", 융합신호처리학회 논문지, 21(3), pp.121~126 (2020), 한국융합신호처리학회[DOI]
  7. 박현철, "CNN에 기반한 실제 환경에서의 색상 및 문자 인식", 한국차세대컴퓨팅학회 논문지, 12(6), pp.104~115 (2016), 한국차세대컴퓨팅학회
  8. 노먼 칸, "Efficient Sport Videos Classification via Convolutional Neural Network", 한국차세대컴퓨팅학회 논문지, 16(6), pp.7~16 (2020), 한국차세대컴퓨팅학회[DOI]
  9. 이정근, "LSTM 오토인코더를 이용한 라디에이터 고장진단 사례연구", 한국차세대컴퓨팅학회 논문지, 16(6), pp.17~25 (2020), 한국차세대컴퓨팅학회[DOI]
  10. Mukesh Bhadane, "Bearing fault identification and classification with convolutional neural network", International Conference on Circuit, Power and Computing Technologies (2017)
  11. Mingsian Bai, "Fault diagnosis of rotating machinery using an intelligent order tracking system", Journal of Sound and Vibration, 280, pp.699~718 (2005)
  12. Hongmei Liu, "Rolling Bearing Fault Diagnosis Based on STFTDeep Learning and Sound Signals", Shock and Vibration, pp.1~12 (2016)
  13. Qiao Sun, "Singularity analysis using continuous wavelet transform for bearing fault diagnosis", Mechanical Systems and Signal Processing, pp.1025~1041 (2002)
  14. Haidong Shao, "Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine", Knowledge-Based Systems, 140, pp.1~14 (2018)
  15. Haidong Shao, "Rolling bearing fault detection using continuous deep belief network with locally linear embedding", Computers in Industry, 96, pp.27~39 (2018)
  16. D. H. Pandya, "Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN", Expert Systems with Applications, 40(10), pp.4137~4145 (2013)
  17. Ling-li Jiang, "Fault Diagnosis of Rotating Machinery Based on Multisensor Information Fusion Using SVM and Time-Domain Features", Hindawi. Shock and Vibration, 2014, pp.1~8 (2014)
  18. Kar Hoou Hui, "Dempster-Shafer evidence theory for multi-bearing faults diagnosis", Engineering Applications of Artificial Intelligence, 57, pp.160~170 (2019)
  19. Zhuyun Chen, "A deep learning method for bearing fault diagnosis based on Cyclic Spectral Coherence and Convolutional Neural Networks", Mechanical Systems and Signal Processing, 140, pp.106683~ (2020)
  20. Y. Lecun, "LeNet", IEEE, pp.1~46 (1998)
  21. Viet Tra, "Fault Diagnosis of Bearings with Variable Rotational Speeds Using Convolutional Neural Networks", Springer Singapore, 759 (2019)
  22. Viet Tra, "Diagnosis of bearing defects under variable speed conditions using energy distribution maps of acoustic emission spectra and convolutional neural networks", The Journal of the Acoustical Society of America, 144, pp.322~327 (2018)
  24. 이용주, "경량 딥러닝 기술동향", 전자통신동향분석, 34(2), pp.40~50 (2019), ETRI
  25. Andrew G. Howard, "MobileNets : Efficient Convolutional Neural Networks for Mobile Vision Application", International Journal of Intelligence Science, 11(1) (2020)
  26. Ningning Ma, "ShuffleNetV2 : Practical Guidelines for Efficient CNN Architecture Design", ECCV 2018, pp.122~138 (2018)
  27. Forrest N. Iandola, "SqueezeNet : AlexNet-Level Accuracy with 50x Fewer Parameters And <0. 5MB Model Size>", Journal of Software Engineering and Apllications, 12(8) (2019)
  28. Kaiming He, "Deep Residual Learning for Image Recognition", IEEE Conference on Computer Vision and Pattern Recognition, 1, pp.770~778 (2016)
  29. Karen Simonyan, "Very Deep Convolutional Networks for Large-Scale Image Recognition", ICLR (2015)
  30. Muhammad Sohaib, "Fault Diagnosis of Rotary Machine Bearings Under Inconsistent Working Conditions", IEEE Transaction on Instrumentation and Measurement, 69(6), pp.3334~3347 (2020)

관련 논문AI추천

스펙트로그램 이미지를 이용한 CNN 기반 자동화 기계 고장 진단 기법강경원, 이경민한국융합신호처리학회 · 융합신호처리학회 논문지2020 · 제21권 제3호MFCCs를 이용한 입력 변환과 CNN 학습에 기반한운영 환경 변화에 강건한 베어링 결함 진단 방법서양진한국정보처리학회 · 정보처리학회 논문지2022 · 제11권 제4호딥러닝 기반 기계음 분석을 통한 환경 소음에 강건한 베어링 샤프트 시스템의 실시간 고장 감지백수정, 오수정, 이건창, 이민희한국산업경영시스템학회 · 한국산업경영시스템학회지2024 · 제47권 제4호전이 학습과 진동 신호를 이용한 설비 고장 진단 및 분석구교권, 김민수, 신우상, 윤종필대한임베디드공학회 · 대한임베디드공학회논문지2019 · 제14권 제6호Scalogram과 Switchable 정규화 기반 합성곱 신경망을 활용한 베이링 결함 탐지김윤수, 석종원, 미아그마르 델레그마한국전기전자학회 · 전기전자학회논문지2022 · 제26권 제2호기계장비 진동 데이터를 이용한 딥러닝 기반의 고장 분류 모델고상근, 이수안, 이수형한국차세대컴퓨팅학회 · 한국차세대컴퓨팅학회 논문지2022 · 제18권 제2호

이 간행물의 다른 논문 (7건)

A novel 3D-Convolution Neural Network for Human Interaction Recognition in videos우미르 하룬, 와셈 울라, 이미영, 백성욱pp. 19-28무선 전력환경에서 마이크로 유전자 알고리즘을 적용한 다중드론 배터리 충전 할당 방식권영호pp. 29-36기계학습을 이용한 EEG 신호 기반 감정상태 평가 및 분류 검증손귀영, 이지웅, 이원영, 기민송pp. 37-46Image-to-Image Translation Network for Aerial Imagery Defogging아바스 칸, 사미 울라 칸, 이자즈 울 하크, 이미영, 백성욱pp. 47-56적대적 사례 판별을 위한 푸리에 도메인 상에서 노이즈 필터링 기법정승환, 신영길, 정민영pp. 57-66
원문 보기