보편적 특징의 추출 및 선택에 기반한 회전체 기계의 고장 검출 및 진단open accessFault Detection and Diagnosis of Rotating Machinery Based on Universal Feature Extraction and Selection
- Other Titles
- Fault Detection and Diagnosis of Rotating Machinery Based on Universal Feature Extraction and Selection
- Authors
- 김민기
- Issue Date
- Dec-2023
- Publisher
- 사단법인 한국융합기술연구학회
- Keywords
- 회전체 기계; 고장 검출 및 진단; Relief-F 알고리즘; 다층퍼셉트론; Rotating Machinery; Fault Detection and Diagnosis; Relief-F Algorithm; Multi-Layer Perceptron (MLP)
- Citation
- 아시아태평양융합연구교류논문지, v.9, no.12, pp 115 - 125
- Pages
- 11
- Indexed
- KCI
- Journal Title
- 아시아태평양융합연구교류논문지
- Volume
- 9
- Number
- 12
- Start Page
- 115
- End Page
- 125
- URI
- https://scholarworks.gnu.ac.kr/handle/sw.gnu/69264
- DOI
- 10.47116/apjcri.2023.12.11
- ISSN
- 2508-9080
- Abstract
- 기계 설비는 대부분 회전하는 기계를 포함하고 있으므로, 기계 설비가 정상적으로 동작하도록 관리하기 위해서는 회전체 기계에 대한 신속한 고장 검출 및 진단이 필수적이다. 전통적인 신호 처리 방식은 특정한 기계의 고장을 진단하기 위하여 도메인이 바뀔 때마다 해당 도메인의 데이터 특성을 분석하고 연구자가 수작업으로 유효한 특징을 추출해야 하는 번거로움이 있다. 이에 반하여 딥 러닝을 이용한 방식은 도메인에 무관하게 자동으로 유효한 특징을 추출하는데 비하여 심층신경망을 학습시키기 위하여 다량의 데이터를 확보해야 하는 과제를 안고 있다. 본 연구에서는 전통적인 신호 처리 방식에서 널리 사용되는 보편적인 특징들을 추출한 후 Relief-F 알고리즘을 적용하여 유효한 특징을 자동으로 선별하였다. 이렇게 추출된 특징을 상대적으로 적은 학습데이터로 학습시킬 수 있는 깊이가 얕은 다층퍼셉트론(MLP) 분류기에 입력하여 도메인에 무관하게 기계의 고장을 검출 및 진단할 수 있는 방법을 제안한다. 제안한 방법을 MaFaulDa 데이터세트에 적용하여 실험한 결과 256차원의 특징 벡터를 사용하였을 때 고장 검출과 진단 모두 99.95%의 정확도를 보였다. 특징 벡터를 64차원으로 줄인 경우에도 고장 검출과 진단 정확도는 각각 99.75%, 99.65%를 보였다. 이러한 결과는 제안한 방식이 회전체 기계의 고장 검출 및 진단에 효과적임을 보여준다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - ETC > Journal Articles
![qrcode](https://api.qrserver.com/v1/create-qr-code/?size=55x55&data=https://scholarworks.gnu.ac.kr/handle/sw.gnu/69264)
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.