적대적 오토인코더를 활용한 베어링 건강 지표 추출

국문 초록 (Abstract)

데이터 기반 예후의 성능은 측정치로부터 뽑아낸 특징 인자(feature)의 성능에 의존한다. 높은 수준의 예후 성능을 달성하기 위해서는, 기계의 건강 상태를 잘 나타내도록 특징 인자들이 잘 디자인하여야 하며, 특징 인자들은 일반적으로 원 신호에서 계산되거나 통계적 신호처리 기법들을 통해 얻어진다. 이렇게 만들어진 특징 인자들은 그 자체로 건강 지표로 사용되거나, 또는 다른 특징 인자들과 함께 새로운 건강 지표를 구성한다. 그러나 기존의 많은 건강 지표들은 기계의 종류마다 만들어지는 방식이 다르며, 높은 수준의 도메인 지식이 요구된다. 이러한 단점을 해결하기위해, 우리는 데이터 기반 방법인 적대적 오토 인코더 [1] 기반 건강 지표 (AAE-HI)를 추출할 수 있는 일반적인 방법론을 제안한다. PRONOSTIA [2]에서 수집된 된 구름 베어링의 가속 열화 실험의 데이터셋을 사용하여 AAE-HI를 검증하였다. AAE-HI는 원 신호에서 높은 수준의 단조성 (monotonicity)과 시간에 대한 상관성 (trendability)을 가진 건강 지표를 뽑아낼 수 있었으며, 이를 구름 베어링의 잔존 수명과 비교하여 열화 과정에 대한 정보를 충분히 담고 있다는 것을 보였다.

다국어 초록 (Multilingual Abstract)

The performance of data-driven prognostics heavily depends on the features extracted from measured raw signals. Therefore, in order to enhance the prognostic performance, features must be carefully designed to represent the machine’s health condition. Conventional key features are often obtained by statistical signal processing techniques. Then, these features themselves are used as health indicators (HI) or fed to construct HIs. However, many conventional HIs are heavily relying on the type of machine components and expert domain knowledge. To solve these drawbacks, we propose a fully data-driven method, that is, the adversarial autoencoder-based health indicator (AAE-HI) [1]. Accelerated tests of bearing degradation collected from PRONOSTIA [2](open dataset) were used to justify the proposed AAE-HI method. It is shown that our proposed AAE-HI can autonomously learn and find features which well represent monotonicity and trendability of bearing degradation process. Finally, the performance of AAE-HI in RUL prediction is compared with other traditional HIs.