LSTM 오토인코더를 이용한 라디에이터 고장진단 사례연구
Case Study on Fault Diagnosis of Radiator Using LSTM Autoencoder
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
본 논문에서는 LSTM 오토인코더를 이용하여 라디에이터의 고장진단을 수행하였다. 먼저 라디에이터의 내구연한 랜덤 가진 시험에서 진동 신호를 취득하였으며, Raw data에 10초 단위로 Window를 씌워 시간영역 통계적 특징을 추출하여 변수로 설정하고 Sliding 기법으로 데이터를 증강하였다. 데이터는 4개의 Stage로 구분되며, Stage 1(정상)만을 훈련 데이터로 사용하고 Stage 2, 4(정상, 비정상) 데이터를 이용하여 모델 최적화 및 평가를 수행하였다. LSTM 오토인코더 모델의 은닉층과 은닉층 노드의 수, Dropout 비율 및 L2 정규화 파라미터를 최적화하고 평가 결과, ROC 곡선에서 AUC 가 0.9942로 우수한 성능을 확인하였다. 그리고 레이블이 없는 Stage 3의 상세 고장시점을 LSTM 오토인코더로 진단할 수 있었다. 또한 임계점을 조정하여 LSTM 오토인코더의 재구성오차가 임계점을 초과할 때 고장을 진단할 시, 고장 발생 시점보다 조기에 라디에이터 고장을 예측 진단할 수 있었다.
Abstract
In this paper, a fault diagnosis of the radiator was performed using the LSTM autoencoder. At first, the vibration signal of radiator were acquired in the random vibration durability test. And the time domain statistical features were extracted from data with 10 seconds window augmented by the sliding technique. The data is divided into 4 stages, and stage 1 (normal) is used as a training data. In addition, the LSTM autoencoder model is optimized and evaluated using stage 2, 4 (normal, abnormal) data. The number of hidden layers and nodes, dropout rate and L2 regularization parameters of the LSTM autoencoder model have been optimized. As a result, the area under the ROC curve was 0.9942 confirming excellent performance. Then the detailed failure point of unlabeled stage 3 was diagnosed using LSTM autoencoder. In addition, fault diagnosis was performed when the reconstruction error of the LSTM autoencoder exceeds the adjusted threshold. As a result, the radiator failure could be predicted earlier than before a failure occurs.
참고문헌 (19)
- 이수학, "Industry 4.0과 고장예지 및 건전성관리 기술(PHM)의 방향", 소음진동, 25(1), pp.22~28 (2015)
- 서명교, "오토인코더를 이용한 열간 조압연설비 상태모니터링과 진단", 품질경영학회지, 47(1), pp.75~86 (2019), 한국품질경영학회[DOI]
- Incropera, "Introduction to Heat transfer", pp.632~633 (2005), Wiley
- 김종걸, "고 신뢰성 확보를 위한 가속시험의 연구동향 분석", 대한안전경영과확회 (2011)
- 항공기용 부품의 안전성 평가 기술 연구, "진영권", 한국항공우주연구원, ~ (2006)
- Aurélien Géron, "Hands-On Machine Learning with Scikit-Learn & TensorFlow" (2018), Oreilly
- S. Hochreier, "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
- 허윤석, "목적지향 대화시스템에서 LSTM 언어모델 기반의 한국어 자연어 생성", 한국차세대컴퓨팅학회 논문지, 16(3), pp.35~50 (2020), 한국차세대컴퓨팅학회[DOI]
- 유수정, "LSTM 오토인코더를 사용한 탠덤 질량 스펙트럼으로부터의 특징 추출", 한국정보과학회 학술발표논문집, pp.730~732 (2019)
- W Bao, "A deep learning framework for financial time series using stacked autoencoders and long-short term memory", PloS one (2017)
- S. Poyhonen, "Support Vector Machine Based Classification in condition Monitoring of Induction Motors", Phd, pp.2004
- M. Deriche, "Bearing Fault Diagnosis using Wavelet Analysis", Proceeding of International Conference on Quality, Reliability, Risk, Maintenance and Safety Engineering, pp.197~201 (2005)
- N. Mehla., "An Approach of Condition Monitoring of Induction Motor using MCSA", International Journal of Systems Applications, Engineering and Development, 1(1), pp.13~17 (2007)
- 최민국, "특징 벡터의 effectiveness 요소 기반의 가중치 SVM 분류기 연구", 한국차세대컴퓨팅학회 논문지, 9(1), pp.63~73 (2013), 한국차세대컴퓨팅학회
- 강명수, "진동 신호의 2차원 질감 특징과 서포트 벡터 머신을 이용한 유도 전동기 다중 결함 진단", 한국차세대컴퓨팅학회 논문지, 9(6), pp.24~34 (2013), 한국차세대컴퓨팅학회
- Yubraj Gupta, "Subcortical Features based Alzheimer’s disease diagnosis using Support vector machine", 한국차세대컴퓨팅학회 논문지, 15(3), pp.40~49 (2019), 한국차세대컴퓨팅학회[DOI]
- 박현철, "합성곱 신경망을 이용한 대장내시경 영상 분류", 한국차세대컴퓨팅학회 논문지, 14(1), pp.89~98 (2018), 한국차세대컴퓨팅학회
- 와셈 울라, "Crowd Behavior Detection using Convolutional Neural Network", 한국차세대컴퓨팅학회 논문지, 15(6), pp.7~14 (2019), 한국차세대컴퓨팅학회[DOI]
- "Dropout: A simple Way to Prevent Neural Networks from Overfitting" (2014)[URL]