보편적 특징의 추출 및 선택에 기반한 회전체 기계의 고장 검출 및 진단

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.