베어링 결함 진단을 위한 도메인 적응 인공지능 연구

Abstract

원전 및 산업 현장의 주요 기기들의 고장은 안전에 지대한 영향을 미칠 수 있기 때문에 지속적으로 감시되고 있다. 이러한 기기들은 진단을 통해 결함이 발생하기 전에 정비하거나 교체되어야 한다. 이는 회전기기도 마찬가지이다. 실제 산업 현장에는 많은 회전 기기가 존재하며, 대다수의 회전 기기에는 구름 베어링이 장착되어 운전되고 있다. 따라서, 구름 베어링을 진단하는 것은 회전 기기 및 산업 현장의 안전한 운영에 있어 중요하다. 기존에 전문가들은 다양한 방법으로 고장 발생시 나타나는 특징들을 추출하거나 모델링하여 베어링의 진단을 수행하였다. 기존 기술들은 전문가의 부재에 따라 진단이 불가능하거나 다양한 베어링 시스템을 진단하기 어렵다는 한계점을 가지고 있었다. 따라서, 전문가의 지식 없이 결함 특징을 자동으로 추출하고 다양한 베어링 시스템을 진단하는 일반화된 방법의 개발이 필요하였다. 데이터 기반 모델 중 하나로 컨볼루션 신경망(convolutional neural network, CNN)은 특징값을 자동으로 추출할 수 있다는 장점 때문에 좋은 대안처럼 보였다. 하지만, CNN의 학습에는 많은 데이터가 필요하며 학습 데이터가 레이블 되어 있어야 한다는 한계점이 존재한다. 또한, CNN은 학습된 시스템에 대해서는 결함 판별에 있어 우수한 성능을 보이지만 학습되지 않은 시스템에 대해서는 정확한 진단을 수행하지 못한다는 한계점도 가지고 있다. 이 문제를 해결하기 위해 데이터세트가 레이블 되어 있고 모델을 학습하기 위한 데이터가 충분히 확보되어 있는 다른 시스템을 활용하는 교차 도메인 고장 진단 방법(cross-domain fault diagnosis)이 개발되었다. 일반적으로 서로 다른 시스템에서 취득된 데이터는 그 분포가 달라 동일한 경계를 이용해 분류될 수 없다. 이는 도메인 적응(domain adaptation)을 통해 해결될 수 있는데, 기존의 많은 연구에서는 모델에서 추출되는 특징값을 이용해 도메인간 분포 차이를 줄이고자 하였다. 그러나, 시스템 특성이 매우 다를 경우에는 기존의 방법들로 분포 차이를 성공적으로 줄이지 못할 수 있다. 따라서, 부족한 학습 데이터를 해결함과 동시에 시스템 특성이 매우 다른 경우에도 정확한 교차 도메인 결함 진단을 수행할 수 있는 방법을 개발하는 것이 불가피하였다. 본 연구에서는 상기에 나열된 문제들을 해결하기 위하여 신호 처리 기반의 도메인 적응 방법을 서로 다른 베어링 시스템에서 취득된 신호에 적용하였다. 제안된 방법을 적용한 신호들은 공동의 도메인(common-domain)으로 이동하게 되어 분포 차이가 줄어들게 된다. 공동 도메인으로 이동된 신호는 특징값 기반의 도메인 적응 방법이 쓰인 모델의 학습 및 테스트 데이터로 사용되었으며, 모델에서 추출된 서로 다른 시스템의 특징값들은 베어링의 상태에 따라 동일한 특징값 공간에 위치하였다. 또한, 기존 도메인 적응 방법만을 사용한 모델은 원시 데이터의 상태를 정확히 분류하지 못했지만, 공동 도메인으로 이동된 데이터들을 사용했을 때에는 분류 정확도가 비약적으로 상승하는 것을 확인하였다. 즉, 제안된 방법과 특징값 기반 도메인 적응 모델을 통해 진단 대상 시스템의 데이터가 레이블 되어 있지 않아도 그 상태를 정확하게 분류해낼 수 있었다. 다음으로 공동 도메인으로 이동된 신호들이 하나의 시스템에서 취득된 것처럼 합쳐질 수 있는지와 이 결합 데이터가 학습 데이터를 증대시키는 효과가 있는지 검증하였다. 도메인이 확장된 데이터로 학습된 모델에서는 여러 시스템의 결함 특징을 추출할 수 있고 일반화된 판별 경계를 설정할 수 있다. 따라서, 서로 다른 시스템을 모두 진단할 수 있는 일반화된 모델을 개발할 수 있게 된다. 이를 검증하기 위해 공통 영역 데이터(common-domain data)로 훈련된 특징 기반 도메인 적응 모델을 사용하여 유동 노이즈(flow noise)가 많은 데이터의 상태를 분류하였다. 모델은 진단 대상 데이터에 레이블이 지정되지 않았음에도 불구하고 베어링 상태를 높은 정확도로 분류해 냈다. 또한, 진단 대상 시스템에서 정상 데이터만이 취득되어 있는 경우에도 타 시스템의 데이터를 이용하여 결함 판별하는 방법에 대해 제시하였다. 이 방법은 진단 대상의 데이터를 모델 학습에 사용하지 않고 특징값 기반 도메인 적응 방법 모델보다 더 간단한 인공지능 모델을 사용하였기 때문에 훨씬 효율적이다. 본 연구를 통해 개발된 기술을 이용한다면 레이블이 되어 있지 않은 데이터의 상태 판별 및 데이터가 충분히 확보되지 않은 시스템의 진단을 타 시스템을 이용해 수행할 수 있을 것으로 예상된다. 또한, 진단 대상 시스템에서 정상 데이터만이 확보되어 있는 경우에도 효율적으로 진단을 수행할 수 있을 것으로 판단된다.