Fault diagnosis of rotating machine by using thermogram classified on SVM

Abstract

최근에, 산업에서 국제적인 경쟁이 증가함에 따라 신뢰도, 가동율, 위험, 수명주기 그리고 실물자산관리는 보다 중요한 용어가 되고 있다. 빠른 기술변화, 환경, 안전, 건강, 품질에 대한 일반 고객들의 인식, 그리고 관리구조의 변화는 많은 조직들에 그들의 성과를 개선하는 기회를 제공할 뿐만 아니라 미래에 대해 전략적으로 계획을 하고 최신 제조 기술들과 방법들의 장점들을 완벽하게 이용하기 위한 역량을 요구한다. 정비는 경제, 관리, 엔지니어링 그리고 과학, 정보기술 그리고 결함의 감지와 예측, 진단 그리고 예후 등을 포함하는 총론적인 여러 분야에 걸친 학문이다. 여러 분야가 통합된 이런 학문의 잠재적 이득은 많다. 적절한 정비 기법들을 사용하는 것은 산업계에 신뢰도, 가동율, 안전, 효율 그리고 수익성에 중대한 개선효과를 줄 수 있다는 것은 잘 알려져 있다. 기계의 상태감시와 결함 진단은 정비비용의 감소, 생산성의 개선 그리고 설비 가동율의 증대라는 잠재적 장점들로 인해서 정비에서 핵심적인 분야로 많은 관심을 받아 오고 있다. 경험이 많은 전문가들에 의해 수행되는 진동 분석, 열화상 분석, 전동기 전류신호 분석 그리고 공기전파 초음파 분석과 다른 기법들은 예측 정비 전략의 중요한 부분들이다. 온라인의 지속적 상태 감시와 결함 진단은 이제 컴퓨터와 정보 기술들의 발달로 인해서 가능하다. 하지만, 잘 훈련 받은 전문가의 부족, 센서들로부터의 많은 미가공 데이터의 문제는 지속적 상시 감시의 적용에 장애가 되고 있다. 이 논문에서는, 진동신호와 열 영상을 이용한 지능형 특징 기반의 결함 진단방법이 개발될 것이다. 결함진단은 support vector machine(SVM)의 분류 능력을 사용하여 수행될 것이다. 지능형 기술로서, SVM은 주어진 데이터를 훈련할 수 있고 결과를 가중치로 저장하며, 분류를 수행하기 위해 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 문제의 해결을 시도한다. 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. 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 불평형, 정렬불량, 헐거움, 구름요소 베어링 결함들을 가진 기계 결함 시뮬레이터로부터의 데이터를 통해 검증하였다. 실험 데이터는 열 영상과 시간 영역의 진동 신호로 제공된다. 데이터 취득은 기계결함시뮬레이터에서 열화상 카메라와 진동 센서들로 동시에 수행되었다. 적외선카메라로부터의 열 영상들은 이 논문의 주요 데이터의 하나이다. 현재 열화상 분석은 전기 설비, 건물 그리고 기계 설비와 같은 많은 형태의 실물자산들의 상태감시와 진단에 매우 인기가 있다. 이 것은 실시간으로 대상의 표면에서 열 분포를 나타내는 2차원 영상을 제공하는 비접촉식 기술이다. 이들 미가공 영상들은 보다 좋은 분류 결과를 위해 CIELAB 변환, k-mean 알고리즘으로 전처리 되어 특징값들로 계산된다. 열 영상들과 진동 신호들로부터 기계 상태들에 민감한 중요 특징들을 얻기 위해서 특징 추출이 수행되었다. 이 논문의 마지막 부분은 진동 신호들을 통한 분류결과의 정확도 수준이 될 수 있도록 선택된 변수들로부터 얻어진 열영상을 통한 분류 결과들을 평가하는 것이다, 수행 결과는 SVM이 열 영상들과 진동 데이터 양쪽에 대해서 뛰어난 정확도로 지능형 결함 진단을 수행한다는 것을 보여주며 제안된 방법이 미래에 결함진단 기술로 사용될 수 있다.

Recently, reliability, availability, risk, lifecycle and physical asset management are becoming meaningful terminology since there are much more increasing global competitions in industries. Fast technological change, common customer’s considerations of environment, safety and health, quality and changes in management structure not only provide many organizations with considerable opportunities to improve their performance but also ask the competencies to those companies that it should plan strategically for the future and exploit fully the advantages of modern manufacturing techniques and methods. Maintenance is a holistic multidiscipline which encompasses economics, management, engineering and scientific disciplines, information technology, detection and prediction of faults, diagnostics and prognostics. The potential benefits from such an integrated multidiscipline are many. It has been well known that the usage of appropriate maintenance techniques can give industries significant improvements in reliability, availability, safety, efficiency and profitability. Condition monitoring and fault diagnosis of machine has gained much attention as a critical part of maintenance since the potential advantages of reduced maintenance costs, improved productivity and increased machine availability. The vibration analysis, thermography, motor current signature analysis and airborne ultrasound analysis and other technologies by experienced experts are the main parts of the predictive maintenance strategy. The on-line and continuous condition monitoring and fault diagnosis are now available with the development of computer and information technologies. However, the lack of trained experts and the issue of a plenty raw data from sensors constraint its application In this paper, an intelligent feature based fault diagnosis will be developed with vibration signals and thermal images. Fault diagnosis is performed using classification ability of support vector machine (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. 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. SVM has an excellence performance in generalization so it can produce high accuracy in classification and prediction for machine condition monitoring, diagnosis .However, usage of SVM for machine fault diagnosis and prognosis is still rare. Feature-based technique is an effort to represent the raw data as feature such as characteristic values (statistical), color, shape and so on to be compressed in data size with keeping data information as high as possible. In machine condition monitoring and 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. The proposed method is validated with the data from machinery fault simulator (MFS) of faulty conditions including unbalance, misalignment, looseness, rolling element bearing faults. The experimental data is presented as thermal image and vibration signal in time domain. Data acquisition were conducted simultaneously by infrared thermography camera and vibration sensors installed in the MFS. The thermal images from an infrared camera are the one of the main data of the proposed method in this paper. Thermography is very popular for condition monitoring and fault diagnosis for many types of physical asset such as electric equipment, buildings and mechanical equipment in nowadays. It is a non-contact technique which provides 2 dimensional images that represent the heat distributions on the surface of the target in real time. Those raw images are preprocessed by CIELAB transform, k-mean algorithm to be calculated as the features for a better classification result. Feature extraction was carried out to obtain salient features sensitive to machine conditions from thermal images and vibration signals. The final part is to evaluate the classification results with thermal images of SVM from selected parameters so that the classification result can be the accuracy level of the classification result of vibration signals. The results show that SVM can perform intelligent fault diagnostics with plausible accuracies for both thermal images and vibration data and the proposed method may serve as the fault diagnosis technique in the future