Journal Archive

특징기반 머신러닝은 신호의 특징 값을 활용하여 진단을 수행하는 방법이며, 특징기반 머신러닝의 진단 수행 과정을 Fig. 6에 나타내었다. 우선, 학습에 활용할 데이터에 정상과 결함 상태에 대한 Labeling을 수행하고, 머신러닝 학습에 필요한 샘플 확보를 위해 신호의 샘플링을 수행한다. 샘플링은 일반적으로 설비의 상태정보를 충분히 반영할 수 있는 시간인 1초 간격으로 수행하며, 샘플링된 신호에서 형상적, 통계적 특징들을 추출하기 위해 Table 2에 나타낸 30개의 특징을 사용하였다.⁹⁾ 추출에 사용되는 특징들은 신호처리 분야에서 주로 활용되고 있으며, 추출되는 특징의 개수는 센서가 4개이므로 총 120개가 추출된다.

Fig. 6 
Flow of feature-based machine learning

특징이 추출되면 정상과 결함에 대한 변별력 있는 특징들을 선택하기 위해 GA(Genetic Algorithm)¹⁰⁾ 기반 특징 선택 기법을 활용한다. 서로 다른 상태 간의 변별성 있는 특징들을 선별하기 위해 GA의 목적함수는 동일 상태 내의 군집도와 서로 다른 상태 간의 거리로 설정되며, 선택된 특징들은 SVM(Support Vector Machine)¹¹⁾의 입력으로 활용되어 최종적으로 분류를 수행한다. 학습이 완료된 모델은 향후 새로운 데이터에 대한 진단을 위해 활용된다. 데이터에 대한 상태와 분류성능을 함께 평가하며, 이러한 예시를 Fig. 7에 나타내었다.

Fig. 7 
Example of diagnosis on new data in feature-based machine learning

특징기반 머신러닝을 활용하여 실험을 통해 취득된 데이터를 통해 특징 분석을 수행하였으며, Fig. 8에 3차원 그래프를 통해 결과를 나타내었다. GA에 의해 선택된 대표 특징은 신호 크기에 대한 평균값을 나타내는 Mean(#4), 신호의 DC 성분과 AC 성분의 비율을 SMR 수치로 나타낸 Shape factor2(#1), 확률분포 모양의 뾰족한 정도를 나타내는 Kurtosis를 보완한 수치인 Kurtosis factor(#2)가 선택되었다.

Fig. 8 
Result of feature-based machine learning

결과를 분석했을 때, 같은 상태로 취득된 데이터라도 회전수가 다를 경우 데이터가 서로 다른 영역에 분포해있는 것으로 나타났다. 이는 동일한 상태로 취득된 데이터일지라도 회전수 차이로 인한 진동 크기, 주파수 성분 등의 차이로 인하여 특징 값이 다르게 표현되었기 때문이다.

따라서 동일 상태이더라도 서로 다른 회전수를 가지는 데이터 세트를 통해 특징기반 머신러닝에 적용하여 학습 모델을 생성하고, 이를 진단에 활용할 경우 새로운 데이터는 잘못 진단될 가능성이 존재한다. 이를 위해 데이터 스펙의 표준화를 통해 특징기반 머신러닝의 학습 모델을 생성해야 한다.

설비 진단을 수행할 때, 설비 상태를 파악하기 위해 기본적이면서도 중요한 방법인 진동 신호의 FFT spectrum을 분석하여 결함 성분이 존재하는지를 확인하며, 이를 위해서는 결함 성분이 어떤 주파수 성분에서 나타나는지를 확인해야 한다. 또한 설비 상태를 평가할 때 ISO 20816의 평가 기준으로 RMS(Root Mean Square)를 채택하고 있으며, 이를 통해 설비 상태의 심각도를 등급으로 나누어 평가한다.¹²⁾

데이터 표준화를 수행하기 위해서는 서로 다른 조건으로 취득된 신호 스펙을 맞춰주어야 하며, 이를 위해 설비 진단을 수행할 때 중요한 요소로 고려되는 주파수 성분과 신호의 RMS를 일치시키는 방법을 적용한다. 주파수 성분을 맞추기 위한 방법으로 신호처리 기법 중 다운 샘플링(Down sampling) 기법을 활용한다.

다운 샘플링이란 데이터 샘플의 개수를 줄이는 신호처리 과정을 의미하며, Fig. 9에 다운 샘플링의 예시를 나타내었다. 예로, 회전수가 20 Hz인 신호와 30 Hz인 신호의 주파수 성분을 일치시킨다고 가정했을 때, 30 Hz인 신호는 운전성분 1X가 20 Hz에서 발생하고, 30 Hz 신호는 1X가 30 Hz에서 발생하게 되므로, 20 Hz의 회전수를 가지는 신호를 다운 샘플링을 활용하여 FFT spectrum에서 나타나는 1X 성분을 일치시킬 수 있다.

Fig. 9 
Example of downsampling

Fig. 10은 서로 다른 회전수를 가지는 신호를 다운 샘플링을 활용하여 FFT spectrum에서 나타나는 1X 성분을 일치시킨 예시를 나타낸다. 20 Hz 신호를 다운 샘플링 할 경우 회전수가 서로 다른 신호의 1X 성분이 일치되어 나타나는 것을 확인할 수 있다. 본 연구에서 실험을 통해 취득된 데이터는 각각의 상태에 대해 60 Hz(3,600 RPM)를 기준으로 나머지 각각 10, 15, 20, 30 Hz 신호를 다운 샘플링 하여 주파수 성분을 맞추었다.

Fig. 10 
Example of standardization of frequency components

신호의 RMS를 맞추기 위한 방법으로는 RMS ratio를 활용한다. RMS는 진동 신호와 같이 연속시간 파형에서 함수 값의 제곱들에 대한 산술평균의 제곱근으로 구할 수 있다.¹³⁾ RMS ratio를 일치시키기 위해서 기준이 되는 신호의 RMS와 맞추고자 하는 신호의 RMS 비를 활용하여 일치시킬 수 있다. RMS ratio의 정의를 식 (1)에 나타내었으며, 여기서 RS는 RMS ratio이며, (RMS)_ref는 기준 신호의 RMS, 그리고 (RMS)_syn는 맞추고자 하는 신호의 RMS이다.

실험을 통해 취득된 데이터를 활용하여 주파수 성분 및 RMS를 일치시킨 결과를 Fig. 11~12에 각각 시간파형과 FFT spectrum을 통해 나타내었다. Fig. 11의 경우 FFT spectrum에서 기준이 되는 60 Hz 신호 대비 나머지 신호들의 주파수 성분이 일치되는 것으로 나타났다. Fig. 12의 경우 시간파형 확인 결과, RMS 일치시키기 전 진동 크기의 차이가 존재하였으나, RMS ratio를 활용하여 RMS를 일치시켰을 경우 진동 크기가 유사하게 나타나는 것으로 확인되었다.

Fig. 11 
After standardization of frequency components

Fig. 12 
After standardization of RMS

표준화 후의 학습 데이터를 구성하고, 이를 통해 특징기반 머신러닝에 적용하여 특징 분석을 수행하였으며, 학습 데이터 중 2/3은 SVM 학습에 사용하였고, 1/3은 학습된 모델의 분류성능 평가에 활용하였다.

Fig. 13은 데이터 표준화 후의 특징 분석 결과를 3차원 그래프로 나타낸 것이다. GA에 의해 선택된 대표 특징은 신호의 매끄러운 정도를 나타낸 값인 Smoothness(#1), 신호의 무질서도를 나타내는 지표인 Entropy estimation value(#2), 신호의 표준편차 값을 나타내는 Standard deviation(#2)이 선택되었다. 표준화 전의 특징 분석 결과와 비교했을 때, 정상, 불평형 및 정렬불량 상태의 데이터가 서로 다른 곳에 분포하지 않고 동일한 상태끼리 군집해 있는 것으로 나타났으며, 분류성능 또한 100%로 확인된다.

Fig. 13 
Result of feature-based machine learning after data standardization

이는 서로 다른 회전수로 인해 발생하는 진동 크기 및 주파수 성분 등으로 인한 특징 값의 차이가 데이터 표준화를 통해 유사하게 나타났기 때문으로 판단되며, 설비 진단에 활용되는 진단 기준을 활용하여 표준화를 수행하였기 때문에 서로 다른 회전수 조건을 가진 데이터라도 표준화를 수행함으로써 동일한 상태로 판단할 수 있다고 사료된다.