컨볼루션 오토엔코더 활용한 15 kW 스크류 압축기 진동 이미지 생성

국문 초록 (Abstract)

회전 기계 시스템의 실시간 상태 감시를 진행하기 위한 수단으로써 데이터 기반 접근법은 광범위하게 활용된다. 데이터의 다양성을 유지하는 것은 데이터 기반 접근법의 신뢰성을 보장하기 위해 해결해야 할 여러 도전과제 중 하나이다. 이 논문은 스크류 압축기의 상태 감시를 위해 진동 이미지화 및 비지도 학습을 활용한 데이터 생성 방안을 제시한다. 1D 진동 신호는 시간-주파수 분석 기법인 위그너빌 분포에 의해 2D 이미지로 변환되며, 변환된 이미지는 형태 변환 및 정규화 과정을 거쳐 진동 이미지 데이터베이스를 구축하기 위해 활용된다. 컨볼루션 오토엔코더(CAE)는 다양한 2D 이미지를 생성하기 위해서 설계되었다. 이론적으로, CAE 모델의 디코더를 활용하면 많은 양의 이미지를 재구성하는 것이 가능하다. 제안된 데이터 증강 방법의 가능성은 15kW 스크류 압축기로부터 얻은 실제 진동 신호를 통해 검증되었으며 해당 방법은 회전 기기의 진단 및 예측의 주요 문제 중 하나인 데이터 불균형 문제를 완화하기 위해 사용할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Data-driven approaches are widely used for real-time condition monitoring of rotating machines. Ensuring the diversity of sensory data is one of the challenges for improving the reliability of the data-driven approaches. This paper presents a vibration imaging and generation method by an unsupervised learning for screw compressor monitoring. 1D vibration signals are transformed into 2D vibration images by Wigner-Ville distribution as one of the time-frequency domain analysis. The vibration images are reshaped and normalized to build vibration image database. Convolutional autoencoder (CAE) is designed to augment 2D vibration images. In principle, the decoder part of the trained CAE architecture can provide an unlimited amount of reconstructed images. Real vibration signals from a 15 kW screw compressor are used to evaluate the feasibility of the proposed vibration imaging and generation method. We expect that the proposed vibration generation method can help relieve the data imbalance problem for the diagnostics and prognostics of rotating machines.