진동 데이터의 시간영역 특징 추출에 기반한 고장 분류 모델

1. 서론

기계 시스템 가운데 하나인 에어컨

현장에서 바로 수리되는 단순고장이 있는 반면, 전체 시스템을 교체해야 하는 치명적인 고장도 발생

이를 사전에 감지하는 연구가 오래전부터 진행

SVM을 이용하여 고장 분류 모델 생성

강건한 머신러닝 모델 학습 위해 한정된 데이터 수를 늘림

효과적 학습 위하여 정규화와 데이터 증대(augmentation)

전처리 전후에 따른 분류 난이도의 특성을 정량화하여 비교분석

3.1 데이터 증대

데이터가 부족하거나 불균형 이룰 경우, 머신러닝 모델의 성능은 저하

이를 해결하기 위해 각각

- 가짜 데이터를 생성하는 알고리즘(=GAN) 사용

- 소수 클래스를 오버샘플링하여 다수 클래스만큼 증가시키는 알고리즘(=SMOTE) 사용할 수 있음

3.2 특징 추출

고장 유무를 판단하는 데 필요한 특징은 시간 영역과 주파수 영역

본 연구에서는 시간 영역만 다룸 따라서 데이터의 통계적 특징(=평균, 분산, 왜도, 첨도 등)과 데이터의 물리적 특징(=신호의 실효치를 나타내는 RMS, 신호의 peak를 표현하는 Peak to Peak 등)을 추출함

시간 영역에서의 통계적 특징은 측정된 진동데이터 간의 차이를 나타냄

정상적으로 작동하는 회전기계의 상태에 이상이 생기면, 진동데이터의 PDF(=probability density function=확률밀도함수)가 변하므로 통계적 특징 역시 변하게 됨 특히, 왜도와 첨도가 가장 크게 변함

*왜도: 진동데이터의 PDF가 한쪽으로 치우친 정도

첨도: 진동데이터의 PDF의 피크, 즉 뾰족한 정도

3.3 데이터 정규화

최대최소정규화 방법을 적용

전체 데이터를 0~1 사이의 값으로 정규화하는 방법임 x=(X-Xmin)/(Xmax-Xmin)

관련글