도메인 적응 및 오토인코더를 사용한 회전 및 비회전 기기의 음향신호 기반 고장 진단

이정근; 이장현; 김광식; 김성목

doi:http://dx.doi.org/10.47116/apjcri.2024.08.07

추천

검색

자료유형: 학술저널

저자정보: 이정근 (인하대학교) 이장현 (인하대학교) 김광식 (인하대학교) 김성목 (한화오션)

저널정보: 아태인문사회융합기술교류학회 아시아태평양융합연구교류논문지 Asia-pacific Journal of Convergent Research Interchange Vol.10 No.8

발행연도: 2024.8

수록면: 67 - 89 (23page)

DOI: http://dx.doi.org/10.47116/apjcri.2024.08.07

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구는 기계 장비에서 발생되는 음향 신호를 기반으로 이상 징후 및 고장 감지에 딥러닝을 적용하는 방법을 다루고 있다. 학습에 이용한 데이터는 회전 및 비회전 장비의 MIMII(Malfunctioning Industrial Machine Investigation and Inspection) 데이터셋을 딥러닝 모델에 적용하였다. 딥러닝 모델은 오토인코더(VAE: Variational Autoencoder)와 도메인 적응 신경망(DANN: Domain Adaptation Neural Network)을 적용하였다. 우선 오토인코더 모델에서는 음향신호의 신호처리 과정으로 얻어진 MFCC 계수의 통계적 특징(Features)으로 음향 신호의 길이에 관계 없이 적용 가능한 특징을 추출하였다. 오토인코더 모델은 정상 상태의 데이터만으로 고장 분류가 가능하지만, 회전 장비의 특성을 고려하여 마그네틱 스펨트럼 차감 및 특징 경량화 과정을 통해 고장 특징을 보강하고 추출된 특징에 GAN을 적용하여 데이터를 증강하였다. 이는 주변의 노이즈가 증가하면 고장 진단 정확도가 감소하는 오토인코더의 단점을 보완하고자 비회전 및 회전장비의 특성을 고려하여 특징을 보강하였다. 학습에 상용된 MIMII 데이터셋은 실험실 환경과 실제 운영 환경 간의 도메인 이동이 포함되어 있어 실험실 환경의 데이터로 학습된 고장 분류기가 실제 환경에서의 진단 성능이 감소하는 문제가 발생된다. 이를 위해 도메인 적대적 신경망(DANN)을 적용하였다. DANN는 별도의 데이터 처리가 필요하지 않고 소스 도메인의 레이블을 활용해 타겟 도메인의 고장 진단이 가능하다. 위 두가지 방법의 장점을 활용하여 노이즈 상황에 따라 두 모델을 상호 보완적인 방법으로 조합함으로서 장비 운영 환경 변화에 따른 고장 진단을 적용할 수 있음을 확인하였다.

This study addresses the application of deep learning for acoustic signal-based anomaly and fault detection on mechanical equipment. Signals from rotating and non-rotating equipment included in the Malfunctioning Industrial Machine Investigation and Inspection (MIMII) dataset were applied to a deep learning model. We applied unsupervised learning methods utilizing the Variational Autoencoder (VAE) and Domain Adaptation Neural Network (DANN). First, VAEs were utilized to diagnose the fault. The statistical features of the Mel-Frequency Cepstral Coefficients (MFCC) coefficients of the acoustic signal were utilized to extract features that can be used regardless of the length of the audio signal. Considering the characteristics of rotating equipment, feature enhancement was performed by applying Magnitude Spectral Subtraction and feature lightweight, and data augmentation was performed by utilizing a Generative Adversarial Network (GAN) on the extracted features. Although VAE can create a fault classifier using only steady-state data, improving and augmenting the features was necessary considering the characteristics of non-rotating and rotating equipment. The increased ambient noise reduced the accuracy, showing that VAE can accurately diagnose failures. The data used for training contains a domain shift between the laboratory environment and the actual operating environment, which represents a problem where a fault classifier trained on data from the laboratory environment may have poor diagnostic performance in the real world. To solve this problem, a Domain Adaptive Neural Network (DANN) was applied. DANN does not require additional data processing and can utilize labels from the source domain to diagnose faults in the target domain. By utilizing the advantages of the above two methods, we showed that fault diagnosis can be adapted even if the environment of a given equipment changes by combining the procedures according to the noise situation.

#가변오토인코더 #도메인적대적신경망 #고장진단 #딥러닝 #멜주파수켑스트럼계수 #도메인적응 #MIMMI #VAE(Variational Autoencoder) #DANN(Domain Adversarial Neural Network) #Fault Diagnosis #Deep Learning #MFCC(Mel-Frequency Cepstral Coefficient) #Domain Adaptation #MIMII

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)