Support Vector Machine for Machine Fault Diagnosis and Prognosis

Abstract

Recently, the issue of machine fault diagnosis and prognosis as a part of maintenance system became global due to the potential advantages to be gained from reduced maintenance costs, improved productivity and increased machine availability. Numerous methods have been developed based on intelligent system such as artificial neural network, fuzzy expert system, condition-based reasoning, random forest, etc. However, the use of support vector machine (SVM) for machine fault diagnosis and prognosis is still rare. SVM has an excellence performance in generalization so it can produce high accuracy in classification and prediction for machine fault diagnosis and prognosis, respectively. In this paper, SVM will be redeveloped to be an intelligent system for conducting fault diagnosis and prognosis of machine. SVM has two excellent abilities in the framework of machine learning, those are classification and regression. Fault diagnosis is performed using classification ability of SVM, while the prognosis of machine condition is conducted based on regression using SVM. As an intelligent technique, SVM can train the given data and save the result as weights, and then use the weights for doing classification and regression. Originally, SVM is used for two class classification of linear data; however, using kernel mapping SVM can perform training process and doing classification with nonlinear data. By optimizing the hyperplane, SVM tries to solve the classification and regression problems. In the developed system, SVM is combined by technique so-called feature-based technique to do classification for fault diagnosis purpose. Feature-based technique is an effort to represent the raw data as feature such as characteristic values (statistical), color, shape and so on. In machine fault diagnosis, features are representative of values which indicate the machine condition. Using feature, the problem with data transferring and data storage can also be solved. Feature-based classification technique consists of data acquisition, preprocessing, feature representation, feature calculation, feature selection and classifiers. In this study, SVM is adopted, redeveloped and combined with feature-based technique to obtain a novel fault diagnosis tool. The proposed method is validated using induction motor data to perform fault diagnosis by means of classification strategy in SVM. Several case studies have been done to diagnose fault occurrence in induction motor such as bent rotor, broken rotor bars, bearing fault, mass unbalance, phase unbalance and eccentricity fault. The data used in the experiments are vibration and current data. The results show that the proposed method can perform fault diagnosis well, and it can be concluded that the proposed method may serve the fault diagnosis technique in the future. Prognosis can be defined as the ability to predict accurately and precisely the remaining useful lifetime of a failing machine component or subsystem. Therefore, a reliable predictor is very important and it is very useful to a wide range of industries to forecast the upcoming states of a dynamic system or to predict damage propagation trend in rotating machineries. In mechanical system, for example, the forecasting information can be used for condition monitoring to provide an accurate alarm before fault reaches critical levels so as to prevent machinery performance degradation, malfunction or catastrophic failure. Moreover, it can be used for scheduling of repairs and predictive/preventive maintenance in manufacturing facilities; and predictive and fault-tolerant control. In this study, SVM based regression is redeveloped to be a predictor of time-series data. Trending data of machine can be considered as time-series, it contains information of machine during its operation. The proposed method is addressed to predict the upcoming state of machine based on previous condition. Trending data of a low methane compressor is used to validate the proposed method. Performance of prediction is measured using RMSE and coefficient correlation (R). The result show that SVM based regression has potential and promising to be a reliable prognosis tool.

설비 정비 관리 시스템(maintenance management system)의 한 핵심 분야인 기계 결함 진단(fault diagnosis) 및 예지(prognosis) 기술에 관한 연구는 관리 비용 저감, 생산성 및 기계 가용도 향상 등으로부터 얻어질 수 있는 무궁한 경제적 및 기술적인 잠재력으로 인하여 최근 전세계적으로 중요한 연구 과제가 되고 있다. 이와 관련된 연구들로 인공 신경망, 퍼지 전문가 시스템, 상태 기반 추론, random forest 등과 같은 지능 시스템에 기반을 둔 다양한 방법들이 개발되고 있다. Support Vector Machine(SVM)은 종래 널리 사용되고 있는 인공 신경망 기법에 비해 탁월한 일반화(generalization) 능력을 가지고 있으므로, 높은 정확도를 가지고 기계 설비의 결함 진단을 위한 분류나 잔여 유용 수명의 예측을 할 수 있는 잠재 능력을 가지고 있다. 그러나 결함 진단 및 예지를 위한 SVM의 적용에 대한 연구는 세계적으로 아직 매우 드물다. 이 논문에서는 SVM 알고리듬을 기계의 결함 진단 및 예지를 수행하기 위한 지능 시스템으로서 확장하였다. SVM은 기계 학습의 프레임 워크에서 두 가지의 탁월한 능력인 분류와 회귀를 가진다. 결함 진단은 SVM의 분류 능력을 사용하여 수행되고, 기계 상태의 예지는 SVM을 이용한 회귀에 근거하여 수행된다. SVM은 주어진 데이터를 훈련할 수 있고 결과를 가중치로 저장하며, 분류 및 회귀를 수행하기 위하여 가중치를 사용한다. 원래, SVM은 선형 데이터의 두 클래스 분류 문제를 위하여 사용되었지만, kernel 사상(mapping)의 SVM에의 적용을 통하여 훈련 절차를 비선형 데이터를 이용한 훈련 절차 및 분류를 수행할 수 있다. 초 평면(hyperplane)을 최적화함으로써, SVM은 분류 및 회귀 문제의 해결을 시도한다. 이 연구에서 제안된 방법은 결함 진단 목적의 분류를 위해 소위 특징 기반 기술에 기초하여 특징 추출 방법과 SVM을 조합한다. 특징 기반 기술은 센서로부터 취득된 진동, 전류 등의 다양한 신호의 원 데이터(raw data)를 통계치, 색깔, 모양 등과 같은 데이터가 가지는 다양한 특징으로 표현된다. 기계 결함 진단에서 특징은 기계 상태를 나타내는 값으로 방대한 종류의 특징들이 계산되므로 높은 차원의 데이터로 표현될 수 있다. 이러한 다량의 데이터는 전송 및 저장의 문제뿐만 아니라 분류 효율을 떨어트리는 문제가 발생할 수 있고 데이터의 차원을 저감할 필요가 있고, 이는 특징 추출 기법을 사용하여 해결할 수 있다. 특징 기반 분류 기술은 데이터 취득, 전처리(preprocessing), 특징 표현, 특징 계산, 특징 추출 및 선택 그리고 분류기(classifiers)로 구성된다. 제안된 방법은 SVM에서 분류 전략에 의하여 결함 진단을 수행하기 위하여 설계×제작된 유도 전동기 결함 실험 장치로부터 취득된 데이터를 사용하여 검증하였다. 결함으로는 굽은 축(bent shaft), 회전자 봉 결함, 질량 불평형, 상 불평형(phase unbalance) 및 편심 결함이 적용되었다. 전동기에 부착된 가속도계와 전류 프로브로부터 취득된 진동 가속도 및 전류 데이터가 사용되었다. 얻어진 진단 결과는 이 연구에서 제안된 방법이 결함 진단을 양호하게 수행할 수 있고, 또한 향후 결함 진단 기술로 적용될 수 있음을 확인하였다. 예지는 열화 되고 있는 기계 요소 또는 하위 시스템(subsystem)의 잔여 유용 수명(residual useful life)을 정확하게 예측할 수 있는 능력으로 정의될 수 있다. 그러므로 신뢰할 수 있는 예측기(predictor)의 개발이 매우 중요하며, 그것은 동적 시스템의 임박한 상태를 예측하거나 회전 기계에서 손상 전파 경향을 예측하기 위하여 광범위한 산업에서 유용하게 적용될 수 있다. 예를 들어 기계 시스템에서 기계 성능 열화, 오작동 또는 파멸적인 고장을 예방하기 위하여 결함이 임계 값에 도달하기 전에 정확한 경보를 제공하기 위하여 예측된 정보는 상태 감시용으로 사용될 수 있다. 더구나 이는 제조 설비에서 수리 계획, 예지 정비 및 예방 정비의 계획 수립 그리고 예측 및 고장 허용 제어(fault-tolerant control)에 적용될 수 있다. 이 연구에서, SVM 기반 회귀 방법(SVM-based regression method)이 시계열 데이터의 예측기로서 사용될 수 있도록 확장되었다. 기계에서 취득된 경향 데이터(trend data)는 시계열로서 간주될 수 있고, 또한 운전 동안의 기계 정보를 포함한다. 제안된 방법은 이전 상태의 데이터에 기초하여 임박한 기계 상태를 예측하는데 사용된다. 제안된 방법을 검증하기 위해, 국내 석유 화학 플랜트에서 사용 중인 메탄 압축기에서 취득된 경향 데이터를 이용하였다. 예측기의 성능은 RMS 오차 및 상관 계수를 사용하여 평가되었고, 그 결과는 제안된 SVM 기반 회귀 방법이 신뢰할 수 있는 예지 도구로서 이용될 수 있는 잠재력을 가지고 있음을 확인하였다.