베어링 결함 진단을 위한 인공신경망 연구

Abstract

Convolution Neural Network(CNN)는 데이터의 주된 패턴을 찾는 데 유용하다. 그런데 베어링 데이터의 경우, 베어링 특성 성분이 시스템 노이즈에 가려지기 쉽고 시스템 노이즈는 유지 보수 작업에 따라 달라지는 패턴을 보일 수 있다. 따라서 CNN 모델을 이용하여 베어링 데이터를 학습할 때 시스템 노이즈에 의한 주된 패턴이 학습될 가능성이 있다. 그러므로 인공신경망 모델이 유의미한 정보를 바탕으로 결함 특성을 나타내는 특징값을 학습하는지 그 판단의 근거를 살펴볼 필요가 있다. 본 연구에서는 인공신경망의 학습 과정을 고찰하고 베어링 결함의 물리적 정보와 연계된 특징값을 찾을 수 있는 인공신경망에 관해 연구하였다. 먼저, CNN 모델이 베어링 결함에 관한 정보를 바탕으로 특징값을 추출하고 예측하였는지 살펴보기 위해, 입력 데이터에 따른 시험 결과를 비교 및 분석하였다. 학습 데이터의 주파수 영역 분포를 살펴보면, 고주파 대역에 큰 에너지가 분포하며 베어링 결함에 의한 에너지는 그에 비해 아주 미미하다는 것을 알 수 있다. 이에 따라 결함에 관한 정보가 더욱 뚜렷하게 나타날 수 있도록 데이터 처리를 통해 다양한 데이터를 생성하였다. 자기상관(autocorrelation) 데이터와 켑스트럼 및 윈도우 과정을 통해 시스템 노이즈와 베어링 특성을 분리하여 시스템 노이즈가 제거된 데이터를 생성하였다. 다음으로, autocorrleation, 시스템 노이즈, 노이즈가 제거된 데이터의 조합을 구성하여 CNN 모델을 학습하였다. 그 결과 노이즈가 없는 데이터보다 노이즈가 있는 데이터에서 더 높은 정확도로 예측하는 것을 확인하였다. 또한, 결함에 관한 정보가 없는 데이터일지라도 높은 정확도로 결함을 판별하였다. 이는 학습 데이터가 시스템 노이즈 패턴을 가지고 있다는 것을 암시한다. 이에 따라 CNN모델에서 추출되는 특징값을 면밀히 살펴보고 모델을 수정하였다. CNN 모델이 추출한 특징값을 살펴보면, 입력 데이터의 모양, 즉 데이터의 윤곽의 특징을 학습한다는 것을 알 수 있다. 이를 바탕으로 가장 특징적인 정보를 학습하도록 컨볼루션 층을 포락선 처리로 대체하고 풀링 사이즈와 완전연결층의 유닛 수를 변경하여 학습 파라미터를 감소시켰다. 그리고 CNN 수정 모델의 시험 결과, 서로 다른 환경에서 취득된 두 입력 데이터(CW,PD)에 대해서 모두 90% 이상의 정확도로 결함을 판별하는 것을 확인하였다. 인공신경망 방법은 결함 신호가 특정 주파수 성분에 국한되지 않고 여러 주파수 성분에 퍼져있는 경우 이를 파악하여 분류하는 데 효과적이다. 그러나 인공신경망의 기본적인 약점인 판단의 근거가 검증되지 않으면 판단은 유효하지 않게 된다. 따라서 인공신경망을 적용하는 데는 주의가 필요로 하게 되며 본 연구에서는 인공신경망을 구름 베어링 진단에 적용하는 방법을 제시하였다.