부산대학교 도서관

실제 산업 현장에서 사용되는 회전기계의 고장 중 베어링으로 인한 고장은 약 50%에 달하는 높은 비율을 차지한다. 따라서 회전기계의 고장 진단을 하는 데 있어 베어링의 상태를 감시하여 비정상 상태를 감지해내는 베어링 고장 진단 기법은 고장으로 인해 발생하는 시간적, 금전적 손실을 감소시킬 수 있으며 이러한 손실을 최소화하기 위해서는 베어링의 상태를 실시간으로 감시 및 진단하여야 할 것이다. 하지만 그러기 위해서는 고장 진단을 하는데 매우 짧은 실행시간을 가져야만 하는데 현장에서 사용되는 설비에 사용되는 하드웨어들은 고성능 GPU와 같은 성능을 보여줄 수 없기 때문에 이에 맞는 최적화가 필요한 상황이다.본 논문에서는 베어링의 동작 상태 정보를 가지는 음향 방출 신호를 시간-주파수 영역의 스펙트로그램 이미지로 변환하여 이를 기반으로 Convolutional Neural Network(이하 CNN)을 적용하여 베어링의 상태를 판단하는 고장 진단 기법을 제안한다. 기존의 신호처리에 기반한 고장 진단 기법은 약 80%의 정확도를 보여주는 반면에 제안하는 CNN을 적용한 고장 진단 기법은 약 97%의 정확도를 확인할 수 있었다. 제안하는 고장 진단 기법은 5가지의 CNN 모델을 적용하여 각 모델에 대한 정확도와 Multiply Accumulate(이하 MAC) 복잡도를 구한 뒤 충분히 높은 정확도와 가장 낮은 MAC 복잡도를 가진 모델을 선정하여 라즈베리파이에 이식하여 결과를 얻는 데 소요되는 시간을 구해 이를 기반으로 실시간 고장 진단의 가능성을 판단하였다. 가장 낮은 MAC 복잡도를 가진 ShuffleNet을 사용하여 진단한 결과 24,270 ms가 소요되어 이대로 실시간 고장 진단에 사용하기엔 불가능하다고 판단되었다. 따라서 MAC 복잡도를 감소하여 실행시간을 감축시키고자 단순한 레이어를 이용하여 정상과 비정상 상태를 구분하는 초기 고장 진단과 필터의 개수를 절반으로 줄인 ShuffltNet을 이용한 베어링의 고장 원인(inner, outer, roller)를 구분하는 고장 원인 분류로 전체 프로세스를 구성하였다.이러한 실험을 통해 기존의 방안에 비해 약 55% 감소된 11,147 ms가 소요되었다. 실험 결과를 기반하여 볼 때 고장 진단의 단계화 및 필터의 감소를 통하여 실행시간을 줄일 수 있음을 확인할 수 있었으나 아직은 실시간 고장 진단에 사용할 수 있을 만큼 감축시키지는 못하였다고 판단했다. 하지만 추후 연구를 통해 최종적으로 제한된 성능의 환경에서의 실시간 고장 진단 기법의 개발은 충분히 가능하다고 판단한다.
Among the failures of rotating machines used in actual industrial sites, failures due to bearings account for a high percentage of about 50%. Therefore in diagnosing a fault in a rotating machine, a bearing failure diagnosis technique that detects abnormal conditions by monitoring the bearing condition can reduce the time and financial loss caused by the failure. However in order to do this, it is necessary short run time to diagnose failures, and hardware used in the field can not show the same performance as high-performance GPUs, so optimization is needed.This thesis proposes a failure diagnosis technique that determines the state of a bearing by converting and acoustic emission signal having operation state information of the bearing into a spectrogram image in a time-frequency domain and applying a convolutional neural network(CNN). The fault diagnosis technique based on the existing signal processing shows an accuracy of about 80%, whereas the fault diagnosis technique using the CNN applied has an accuracy of about 97%. The proposed fault diagnosis technique applies five CNN models to obtain the accuracy and Multiply Accumulate (hereinafter MAC) complexity for each model, selects a model with sufficiently high accuracy and the lowest MAC complexity, and transplants the result to the Raspberry Pi. As a result of diagnosis using ShuffleNet, which has the lowest MAC complexity, it took 24,270 ms, so it was judged that it was impossible to use it for real-time fault diagnosis as it is. Therefore, in order to reduce MAC complexity and reduce execution time, the entire process was constructed with initial failure diagnosis that distinguishes normal and abnormal conditions using simple layers and failure cause classification that distinguishes inner, outer, roller, using ShuffltNet, which reduces the number of filters by half.Through this experiment, it took 11,147 ms, which was reduced by about 55% compared to the existing method. Based on the experimental results, it could be confirmed that the execution time could be reduced through the step-up of fault diagnosis and the reduction of filters, but it was judged that the execution time could not be reduced enough to be used for real-time fault diagnosis. However, it is judged that it is possible to develop real-time failure diagnosis techniques in a limited performance environment through future research.