진동과 소리 데이터를 이용한 구름형 롤러 베어링 결함 예측에 대한 모델 비교 연구 = Comparative study of models for defect prediction in cylindrical roller bearings using vibration and acoustic data

국문 초록 (Abstract)

산업 현장에서 중요한 베어링 상태를 실시간으로 모니터링하고 고장 을 사전에 예측하는 기법들은 최근 복잡한 기계 학습 및 딥 러닝 알고리 즘에 의해 수행되고 있다. 베어링은 회전 기계의 중요한 구성 요소로서 작업 환경에서 동작 중에 항시 고장의 위험에 노출되고 있고, 예기치 않 은 고장을 피하기 위해 베어링의 상태 모니터링은 중요하다. 최근 알고리즘의 발전에도 불구하고 대부분 진동 데이터만을 사용하 여 예측하고 있다. 그러나 베어링의 고장의 유형과 신호에 따라 진동 및 소리 데이터를 조합하여 예측을 하는 경우, 정밀도를 높일 수 있을 것이 라고 추정된다. 본 연구에서는 진동 신호 뿐 아니라 소리 신호까지 추가하여 보다 정 확하게 결함을 예측하고자 하였다. 수집된 진동과 소리 데이터를 다양한 머신러닝과 딥러닝 모델을 통해 학습하고 그 결과를 비교하여 최적의 모 델을 찾아내었다. 본 논문의 구성은 다음과 같다. Ⅰ장 서론에서는 연구 필요성과 개요, 대략적인 연구방법과 논문의 구 성에 대해서 소개하였다. Ⅱ장 관련 이론에서는 다중 모델 데이터를 통한 결함 예측의 필요성과 각 인공지능 모델에 대해 설명하였다. Ⅲ장 데이터 수집 및 전처리에서는 구매한 데이터가 어떤 식으로 데이 터를 수집했고, 그걸 받아서 어떻게 전처리했는지에 대해 설명하였다. Ⅳ장 학습 및 결과에서는 학습된 모델에 대한 결과를 설명하고, 어떤 모델이 적합한지 그리고 결과에 대한 의미도 설명하였다. Ⅴ장 결론에서는 본 연구의 결과를 간략하게 요약하여 설명하고, 본 연구의 한계와 향후 연구방향을 기술하였다.

다국어 초록 (Multilingual Abstract)

In recent years, complex machine learning and deep learning algorithms have been utilized to monitor the important condition of bearings in industrial settings in real-time and predict failures in advance. Bearings are critical components of rotating machinery and are constantly exposed to the risk of failure during operation. Monitoring the condition of bearings is crucial to avoid unexpected breakdowns. Despite advancements in algorithms, most predictions are currently based solely on vibration data. However, combining vibration and sound data according to the type of bearing failure and signal can improve the accuracy of predictions. In this study, we aim to incorporate both vibration and sound signals to predict faults more accurately. By training various machine learning and deep learning models on collected vibration and sound data, we compare the results and identify the optimal model.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1. 연구 필요성 및 개요 1
• 2. 연구방법과 논문의 구성 2
• Ⅱ. 관련 이론 · 4
• 1. 다중 모델 데이터를 통한 결함 예측의 필요성 · 4
• 2. 고속 푸리에 변환 5
• 3. 머신러닝 · 6
• 4. 딥러닝 7
• Ⅲ. 데이터 수집 및 전처리 10
• 1. 개요 · 10
• 2. 데이터 측정 도구(RIG) 11
• 3. 테스트 측정 베어링 11
• 4. 진동/소리 데이터 수집 도구 14
• 5. 음향 및 진동 센서 15
• 6. 데이터 전처리 · 16
• Ⅳ. 학습 및 결과 · 18
• 1. 데이터셋 구성 18
• 2. 평가 모델 학습 · 19
• 3. 학습 결과 분석 · 27
• Ⅴ. 결 론 · 28
• 1. 연구결과의 요약 28
• 2. 연구의 한계와 향후 연구방향 29
• 참고문헌 31
• Abstract 34