데이터 증강 방법을 이용한 정상데이터 기반 베어링 이상 진단법

국문 초록 (Abstract)

최근 데이터 불균형 문제를 해결하기 위해 고장데이터 증대 연구가 활발하다. 하지만 분포 학습기반 고장데이터 증대 기법은 데이터 특성에 따라 크게 변해 고장 진단 방법론에 적용이 어렵다. 본 연구에서는 고장 데이터 없이 정상 데이터 기반 베어링 이상 진단 기법을 제안한다. 제안된 방법은 세 단계로 구성된다: (1) 정상데이터 기반 데이터 증강, (2) 컨볼루션 신경망 기반 특성인자 추출, 그리고 (3) 이상 기준치 설계. 정상데이터 기반 데이터 증강 방법은 데이터 특성에 맞춰 노이즈 추가, 진폭 변조 등을 활용한다. 특성인자 추출을 위해 ResNet 을 이용하여 정상데이터 특성인자를 추출한다. 마지막으로 추출된 특성인자를 이용하여 정상데이터와 이상데이터 간의 거리를 계산하여 이상 기준치를 선정한다. CWRU 베어링 결함 데이터셋을 이용하여 제안된 방법을 검증하였고 약 95% 이상 진단 정확도를 보였다. 본 연구는 정상데이터만을 이용하여 데이터 불균형 환경 속에서도 이상 진단이 가능함을 보였다.

다국어 초록 (Multilingual Abstract)

A research on data augmentation has been actively conducted to solve the data imbalance problem. However, data distribution learning based data augmentation method is difficult to apply to fault diagnosis methodology because fault data distribution varies under the characteristics of their dataset. This paper proposes ball bearing anomaly detection method based on normal data only. The proposed method consists of three stages: (1) data augmentation based using normal data, (2) feature extraction using convolutional neural networks, and (3) design anomality threshold. The normal data-based augmentation method utilizes adding noise, amplitude variation under consideration of the data characteristics. ResNet architecture is used for feature extraction. Finally, anomality threshold is selected by calculating the distance between normal data and abnormal data. The proposed method was verified using the CWRU bearing dataset and presented a diagnostic accuracy of about 95%. This study expects that it is possible to diagnose abnormalities even in a data imbalance using only normal data.