http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
3축 진동데이터 기반 기계학습을 이용한 볼 베어링 내륜 결함 진단 연구
최정배(J. Choi),이윤제(Y. Lee),이창우(C. Lee) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
현대 산업에서 동력을 사용하기 위해서는 회전기계의 역할이 매우 중요한데 사용됨에 따라 고장이 발생하고 경제적 손실을 발생시킬 수 있고, 심한 경우 큰 안전사고가 일어날 수도 있다. 이를 사전에 방지하기 위해 고장 진단에 대한 연구가 많이 이루어지고 있다. 본 논문에서는 스마트 팩토리의 취지에 부합하기 위해 세가지의 스미어링 결함 베어링과 하나의 정상 베어링이 회전 시 발생하는 3 축의 진동 데이터를 수집하였고, 이 데이터를 통해 평균 외 다양한 입력 변수들을 얻어냈다. 이 입력 변수들과 서포트 벡터 머신, K-최근접 이웃, 의사결정나무를 이용해 학습을 진행시켰고 정확도, 훈련시간, 특이도와 재현율에 적절히 가중치를 부여하여 기법 별 점수들을 도출하였다. 이때 조밀 K-최근접 이웃의 점수가 가장 높은 점수를 얻었고 추가적으로 주파수 분석을 통해 고장진단을 진행하였다. 주파수 분석의 결과 전체적으로 향상된 성능을 얻었고 기존 방법과 마찬가지로 기법 별 점수를 구해 최대 종합점수 조밀 K-최근접 이웃의 점수와 기존과 주파수 분석 모두에서 2% 이내의 점수차를 보이는 가중 K-최근접 이웃을 함께 재평가하였다. 재평가 결과 훈련시간만 조밀 K-최근접 이웃이 약간 우수할 뿐 정확도, 특이도, 재현율 같은 가중치가 높은 가중 K-최근접 이웃이 더 우수한 결과를 나타냈다. 최종적으로 주파수 분석에서의 결과가 99.8%의 정확도와 100%의 특이도, 재현율을 나타낸 가중 K-최근접 이웃이 가장 우수한 성능을 보인다고 결론지었다. 향후 다른 결함을 진단하거나 예상 잔여 수명을 예측하는 알고리즘에 대해서 연구할 예정이다.