부산대학교 도서관

Research on vibration-based gearbox fault diagnosis using artificial intelligence (AI) has been actively conducted in recent years. However, a problem exists whereby the performance of AI models that have been optimized to solve certain problems such as classification based on the pattern analysis of training data can be significantly degraded when the characteristics of the measured vibration signals are varied by the various changes in the operating environments. In this study, a physics-based kernel that can extract fault-related features based on physical information on the defect characteristics is designed. Unlike typical AI model kernels, the proposed physics-based kernel was fixed to prevent it from being learned, allowing physical information to be reliably extracted. This allows the development of a robust gearbox fault diagnosis in various domains, including non-stationary operating conditions that occur in actual industrial settings. The proposed idea was the validated on a gearbox testbed operated under various operating conditions. Consequently, the proposed method outperforms the conventional method, while retaining its physical robustness and capability for accurate gearbox fault diagnosis.
최근 인공지능을 활용한 진동 기반 기어박스 고장진단에 대한 연구가 활발히 진행되어왔다. 하지만학습용 데이터의 패턴을 분석하여 분류 등의 주어진 문제를 해결하도록 최적화되는 인공지능 모델의 특성상, 운용환경 변화에 따라 측정되는 진동신호의 특성이 달라지는 경우 성능이 크게 저하될 수 있다는 문제가제기되어 왔다. 본 연구에서는 기어박스 결함으로 인해 발생할 수 있는 현상의 물리적 특성을 고려하여 인공지능의 성능을 향상시킬 수 있는 방법론을 제안한다. 이를 위해 결함 특성에 기반한 물리 정보를 통해 특성인자를 추출할 수 있는 물리 기반 커널을 설계하였다. 제안된 물리 기반 커널은 일반적인 인공지능 모델의커널과는 다르게 학습이 불가하도록 고정되어 보다 강건하게 물리 정보를 추출할 수 있다. 이를 통해, 실제산업 현장에서 발생하는 비정상 운용조건 등의 다양한 도메인 변화 문제에 대해 강건한 기어박스 고장진단을 수행할 수 있도록 하였다. 제안된 기법의 검증을 위해 다양한 운용조건에 대한 기어 테스트베드 실험을수행한 결과, 제안 방법을 통해 운용조건 변화에 무관하게 물리적으로 유의미한 결함 인자가 추출되며 이에따라 강건한 기어박스 고장진단이 가능함을 확인하였다.