A Sound Diagnosis System with Deep Learning for Machine Fault Detection

Abstract

기계 결함 진단은 기계의 결함 또는 손상을 자동으로 감지하는 것이다. 일반적으로 기계 결함 진단은 기계 시스템의 복잡성과 비선형 요인으로 기존의 수학적 모델을 기반으로 결함을 진단하는 것은 매우 어렵다. 진단하고자 하는 기계자체의 소음뿐만 아니라 기계 주변의 산업 현장에서 발생되는 소음들이 함께 수학적 기반의 모델에 반영되어 결함진단을 함으로써 평가 과정에 많은 어려움이 있다. 반면에 자동으로 기계 결함을 진단하는 시스템은 사람의 개입 없이 데이터 수집, 데이터 사전 처리 및 데이터 분석을 수행 할 수 있어 자동 결함 감지에 효과적 이다. 기계 학습은 데이터를 자동으로 분석하는 데 도움이 되는 방법을 제공한다. 따라서 본 연구에서는 PCA (Principal Component Analysis), 스파스 코딩 (Sparse Coding), 인공 신경망 (ANN)과 같은 기계 학습 기반의 패턴 인식 기법을 이용한 자동 기계 결함 진단 시스템을 개발 하였다. 기계 결함 진단에는 여러 종류의 신호를 사용할 수 있다. 여기서는 결함 진단 시스템에서 널리 사용 되는 음향 방출, 진동 및 소리와 같은 다양한 신호에 대해 논의하고 결함 진단에 효과적으로 사용할 수 있는 방법에 대해 간략하게 논의한다. 본 연구에서는 작동하고 있는 기계에서 방출되는 소리 즉, 정상적인 드릴 및 비정상적인 드릴에서 방출되는 사운드 데이터를 이용하여 분석한다. 결함 진단의 대부분의 연구는 시계열 데이터에만 초점을 둔다. 하지만 본 연구에서는 시계열 분석의 비효율성을 보여주면서, 주파수 분석을 사용해 주파수 성분이 드릴의 오류 상태를 탐지하는데 시계열 분석보다 훨씬 우수함을 보여준다. 기계가 동작하는 특성에 따라, 결함이 있는 비정상 드릴뿐만 아니라 전체 기계 시스템의 공회전도 감지할 필요가 있다. 따라서 본 연구의 패턴 인식 문제는 서로 다른 객체 (소리 데이터) 즉, 기계 시스템의 공회전 시간, 결함이 없는 정상 시간 및 결함 시간의 세 가지 인스턴스로 분류한다. 기계 학습 기반의 패턴 인식을 이용하여 두 가지 특징 추출 방법을 제시한다. 첫 번째 방법은 사운드 데이터의 주파수 영역에 대한 주성분 분석을 사용한다. 두 번째 방법은 사운드 데이터의 주파수 성분을 사용하여 특징 추출 및 차원 축소를 신경망 기반 스파스 코딩을 사용한다. 두 가지 방법 모두 신경망 기반의 분류기를 사용하여 오류 평가를 수행한다. 비교 연구는 신경망 기반 분류기와 서포트 벡터 머신으로 수행되며, 두 가지 방법에 대한 효과를 실험결과에서 논의한다. 결과는 두 개의 제안 된 방법이 소리 기반의 자동 결함 시스템에 유용함을 보여준다.