회전체 결함 진단을 위한 머신러닝 데이터 학습 방법 개발

다국어 초록 (Multilingual Abstract)

As the fourth industrial revolution progressed, data processing and analysis technology is developed. At the same time, machine learning for rotating machine management has been studied using the physical and statistical feature parameters of vibration signals.
Machine learning requires a large amount of training data to improve diagnostic accuracy. However, training data is difficult to obtain on the industrial site due to maintenance activities and acquisition of error signals. In addition, current technology is inefficient to classify various conditions(complex fault or fault) of rotating machines.
In order to improve the limitations of these technologies, we reviewed the applicability of the industrial field. And then we found two limitations in this process. First, The formation of training data is performed on the assumption that the normal condition of the rotating machines is almost similar over time. However, many industrial plants perform regular maintenance, and depending on the maintenance results, the normal vibration trend of the equipment is likely to change as well. This reduces the diagnostic performance of machine learning. So, A new training method to minimize the change are developed. The difference signal(delta signal) between fault signal and normal signal is generated with phase synchronization, and training data are formed using an extracted delta signal.
Second, machine learning use genetic algorithms (GA) and principal component analysis (PCA) that in the selection or extraction process of feature conditions of rotating machines. The GA uses only 3 features for displaying result so GA method have a disadvantage with multi-fault classification and also PCA have demerit using all features in any case classify.
In order to overcome these problems, a new method with the advantages of the GA algorithm and the PCA algorithm was proposed to improve the process of machine learning. In the proposed method, appropriate features are selected to classify the machine conditions by the GA, and additional feature selection for performance improvement is repeated. Then the PCA algorithm contains all the information of the features selected from the GA algorithm.
In this paper propose a training method to improve the two limitations of machine learning. The classification performance was evaluated by comparing the proposed method with the original method. As a result, all developed methods have improved performance. The performance of fault diagnosis is more efficient in terms of propose learning than the original method.

국문 초록 (Abstract)

4차 산업혁명이 진행됨에 따라 데이터를 처리하고 분석하는 기술의 발전 이루어졌다. 이와 같이 회전 기계의 원만한 관리를 위해 진동 신호의 물리적 및 형상 의미를 가진 형상 파라미터를 사용하여 진단을 수행하는 기계학습 연구가 수행되고 있다.
기계 학습에서 훈련 데이터는 중요하며, 높은 진단 성능을 도출하기 위해서는 충분한 훈련 데이터가 확보되어야 한다.
그러나, 유지보수 활동, 오류 신호 획득과 같은 이유로 실제 산업 현장에서 교육 데이터를 얻기는 어렵다. 또, 다량의 상태정보가 학습되면 Machine Learning 기술의 진단 성능이 떨어지는 것을 확인할 수 있었다. 이러한 경우 Machine Learning에 기반한 기술의 효용성이 떨어지고 결국 도태될 수 있기 때문에 기술을 개선하기위한 노력이 필요하다. 이에 따라 기술의 현장적용에 앞서 대표적인 두 가지 한계점을 확인하였다.
첫번째로 훈련데이터 형성은 설비의 정상상태가 시간이 지남에도 거의 유사하다는 가정하에 수행된다. 하지만 수많은 plant에서는 정기적인 O/H(Overhaul)이 수행된다. O/H 결과에 따라 설비의 정상상태의 경향 또한 변화될 가능성이 있다. 이에 따라 위상동기화를 수행하여 결함신호와 정상신호의 차이를 추출한다. 추출된 차이 신호를 이용하여 진단을 수행하는 방법이다. 두번째로, 회전설비의 상태표현을 위해 특징의 선택 혹은 추출과정을 수행한다. 하지만 회전설비는 다양한 결함이 발생할 수 있고 이를 표현하기 위해 선택 혹은 추출과정의 독립적인 사용으로는 어렵다. 다양한 결함데이터를 훈련하고 이를 분류하기 위해 Machine Learning Algorithm인 GA와 PCA의 장점을 극대화시켜 사용하여 분류성능을 개선하기 위해 새로운 방법을 고안하였다. GA 최적화를 통해 변별성 높은 특징 선택하여 성능을 확인 후 분류성능이 낮은 Class를 분류할 수 있는 특징을 재 선택하여 PCA로 여러가지 특징을 차원축소하는 방법을 적용하였다. 본 논문은 기계학습 기술의 2가지 한계를 개선하기 위한 데이터 훈련 방법을 제안한다. 제안된 훈련방법과 기존의 방법을 비교하여 분류성능을 평가했으며, 결과적으로 2가지 방법모두 진단 성능과 시각화에 있어 성능이 개선됨을 확인하였다.

목차 (Table of Contents)

• Ⅰ. 서론 01
• 1. 연구 배경 01
• 2. 연구 목적 및 내용 03
• Ⅱ. 이론적 배경 05
• 1. Feature based diagnosis 05
• 2. Machine learning algorithm 09
• 2.1. 유전자 알고리즘(Genetic Algorithm) 09
• 2.2. 주성분 분석법(Principal Component Analysis) 11
• 2.3. 서포트 벡터 머신(Support Vector Machine) 12
• Ⅲ. 연구 방법 및 결과 13
• 1. 연구 시스템 및 방법 13
• 1.1. 연구 모델 및 장비 13
• 1.2. 데이터 취득 방법 15
• 2. 차이신호 학습 방법 (Delta signal) 22
• 2.1. 실험 Case 22
• 2.2. 연구 방법 24
• 2.3. 연구 결과 27
• 3. 특징 선택 및 추출 연계기술 (G-PCA) 30
• 3.1. 실험 Case 30
• 3.2. 연구 방법 31
• 3.3. 연구 결과 35
• Ⅳ. 결론 43
• 참고 문헌 45