Multi-Column AutoEncoder를 사용한 One-Class 분류 진동 이상 탐지 기법
Vibration Anomaly Detection of One-Class Classification using Multi-Column AutoEncoder
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 베어링의 결함 진단을 위한 단일 클래스 분류의 진동 이상 탐지 시스템을 제안한다. 베어링 고장으로 인해 발생하는 경제적 및 시간적 손실을 줄이기 위해 정확한 결함 진단시스템은 필수적이며 문제 해결을 위해 딥러닝 기반의 결함 진단 시스템들이 널리 연구되고 있다. 그러나 딥러닝 학습을 위한 실제 데이터 채집 환경에서 비정상 데이터 확보에 어려움이 있으며 이는 데이터 편향을 초래한다. 이에 정상 데이터만 활용하는 단일 클래스 분류 방법을 활용한다. 일반적인 방법으로는 AutoEncoder를 통한 압축과 복원 과정을 학습하여 진동 데이터의 특성을추출한다. 추출된 특성으로 단일 클래스 분류기를 학습하여 이상 탐지를 실시한다. 하지만 이와같은 방법은 진동 데이터의 주파수 특성을 고려하지 않아서 진동 데이터의 특성을 효율적 추출할수 없다. 이러한 문제를 해결하기 위해 진동 데이터의 주파수 특성을 고려한 AutoEncoder 모델을제안한다. 분류 성능은 accuracy 0.910, precision 1.0, recall 0.820, f1-score 0.901이 나왔다. 주파수특성을 고려한 네트워크 설계로 기존 방법들보다 우수한 성능을 확인하였다.
Abstract
In this paper, we propose a one-class vibration anomaly detection system for bearing defect diagnosis. In order to reduce the economic and time loss caused by bearing failure, an accurate defect diagnosis system is essential, and deep learning-based defect diagnosis systems are widely studied to solve the problem. However, it is difficult to obtain abnormal data in the actual data collection environment for deep learning learning, which causes data bias. Therefore, a one-class classification method using only normal data is used. As a general method, the characteristics of vibration data are extracted by learning the compression and restoration process through AutoEncoder. Anomaly detection is performed by learning a one-class classifier with the extracted features. However, this method cannot efficiently extract the characteristics of the vibration data because it does not consider the frequency characteristics of the vibration data. To solve this problem, we propose an AutoEncoder model that considers the frequency characteristics of vibration data. As for classification performance, accuracy 0.910, precision 1.0, recall 0.820, and f1-score 0.901 were obtained. The network design considering the vibration characteristics confirmed better performance than existing methods.
참고문헌 (16)
- 이충성, "경량 베어링 수명 특성에 관한 연구", 한국산업융합학회논문집, 24(6), pp.819~825 (2021), 한국산업융합학회
- 이준혁, "기계학습 알고리즘을 활용한 베어링의 고장 예측 알고리즘 개발에 관한 연구", 한국마린엔지니어링학회지, 43(6), pp.455~462 (2019), 한국마린엔지니어링학회[DOI]
- June-Seok Lee, "Bearing Fault Detection of IPMSMs using Zoom FFT", Journal of Electrical Engineering & Technology, 11(5), pp.1235~1241 (2016), 대한전기학회
- 김병수, "웨이블릿변환이 접목된 포락처리를 이용한 저속 회전하는 구름요소베어링 결함 진단", 한국마린엔지니어링학회지, 33(5), pp.672~678 (2009), 한국마린엔지니어링학회
- SeungChul Lee, "Deep Learning-based Anomaly Detection of Bearing Faults", Proceedings of the Korean Society for Noise and Vibration Engineering Conference, pp.86~86 (2019)
- Yechan Jeon, "Development of Rotating Equipment Anomaly Detection Algorithm based-on Artificial Intelligence", Proceedings of the Korean Society of Computer Information Conference, pp.57~60 (2021)
- Maryamsadat Hejazi, "ONE-CLASS SUPPORT VECTOR MACHINES APPROACH TO ANOMALY DETECTION", Applied Artificial Intelligence, 27(5), pp.351~366 (2013), Informa UK Limited[DOI]
- Fujita, Kohki, "Anomaly Detection of Disaster Areas from Satellite Images Using Convolutional Autoencoder and One-class SVM", ICAROB2018 (2018)
- Said Elsayed, M., "Network anomaly detection using LSTM based autoencoder", Proceedings of the 16th ACM Symposium on QoS and Security for Wireless and Mobile Networks, pp.37~45 (2020)
- Yangdong He, "Temporal Convolutional Networks for Anomaly Detection in Time Series", Journal of Physics: Conference Series, 1213(4), pp.042050~ (2019), IOP Publishing[DOI]
- Kumar Dileep, "Triaxial Bearing Vibration Dataset of Induction Motor under Varying Load Conditions", Mendeley Data (2022)[DOI]
- Xudong Song, "A bearing fault diagnosis model based on CNN with wide convolution kernels", Journal of Ambient Intelligence and Humanized Computing, 13(8), pp.4041~4056 (2021), Springer Science and Business Media LLC[DOI]
- Glorot, Xavier, "Understanding the difficulty of training deep feedforward neural networks", Proceedings of the thirteenth international conference on artificial intelligence and statistics, JMLR Workshop and Conference Proceedings (2010)
- D. P. Kingma, "Adam: a method for stochastic optimization", ICLR (2015)
- Yao, Yuan, "On early stopping in gradient descent learning", Constructive Approximation, 26(2), pp.289~315 (2007)