2.1 기존 시스템의 문제점

최근 들어 전동기 고장 진단에 딥 러닝을 적용하는 연구들이 많이 진행되어 왔다. 그러나 이전의 연구들은 고장 진단에 딥 러닝을 적용하기 위한 알고리즘에 관한 연구가 많았다. [1~3]^[1-3]의 연구들은 실험실 환경에서 알고리즘의 성능을 평가하기 위한 실험만이 진행되었기 때문에 위 연구들에서 개발된 알고리즘은 실제 시스템에 적용하기 어렵다. 하나의 시스템만을 이용하여 일방적으로 진행되는 시스템은 실제 환경에서 발생하는 다양한 변수에 관해서 대응하기가 쉽지 않다. 기존의 시스템을 적용하기위해서는 먼저 전문가가 현장에 방문하여서 고장 진단을 진행할 전동기의 현재 상태를 분석한다. 분석이 끝나면 고장진단을 진행할 전동기의 데이터를 수집한다. 데이터는 이전의 설명과 같이 주로 진동과 소음 데이터이다. 현장에서 충분한 데이터의 수집이 종료되면 수집된 데이터를 이용하여 새로운 모델을 제작한다. 마지막으로 모델을 검증하고 시스템에 적용한다. 시스템을 적용하는데 위와 같은 과정이 필요한 이유는 고장진단에서 사용하는 데이터인 진동이나 소음에 데이터 특성 때문이다^[4]. 진동과 소음은 외부의 환경에 의해서 쉽게 변경될 수 있는 특징이 있다. 때문에 같은 모터의 데이터라고 하더라도 설치하는 방법, 위치, 주변의 환경에 의해서 다른 데이터가 출력된다. 이러한 데이터를 기존의 만들어진 모델에 입력할 경우 원하지 않는 결과를 출력하기 때문에 현장에서 데이터를 측정하고 측정한 데이터를 기반으로 새로운 모델을 만들어야 한다. 그림. 1은 주변 환경에 의해서 외란이 첨가된 데이터가 입력되었을 때 데이터의 변화를 보여준다. 표 1은 기존에 만들었던 모델로 검증을 하였을 때의 정확도이다. 표 1을 확인하면 외란이 입력된 데이터를 검증한 결과에서 정확도가 상당히 감소한 것을 확인할 수 있다.

딥 러닝에서 데이터의 축적은 매우 중요한데 다양한 환경의 다양한 데이터가 충분히 모이지 않으면 원하는 결과가 출력되지 않는다. 때문에 매우 오랜 시간을 데이터의 축적하여 사용하게 된다. 그러나 이러한 데이터의 측정은 매우 반복적이고 단순한 과정이며 다른 모터, 다른 환경에서 다시 적용하기 위해서는 데이터 수집 과정을 반복해야 한다.

2.2 제안된 시스템

기존의 시스템은 그림. 2(a)에서 확인할 수 있듯이 한번 만들고 결과를 확인하면 다시 모델을 만들기 위해서는 시스템을 다시 시작해야 한다. 이러한 과정은 데이터를 다시 계측해야 하는 문제점이 있다. 데이터를 수집할 때 학습을 위한 데이터와 검증을 위한 데이터로 나누어서 데이터를 수집한다. 그러나 이러한 연구는 대부분 한정된 환경에서 수집된 데이터를 이용해서 모델을 만들기 때문에 현장에 적용할 때 발생하는 여러 가지 상황에 대비할 수 없으며 이러한 시스템을 적용하기 위해서는 여러 번의 반복 과정이 필요하다. 그러나 연구에서 제안한 시스템인 그림. 2(b)는 데이터 계측에서 데이터를 나누어서 학습, 검증하는 과정은 같지만, 검증 과정에서 사용하였던 데이터를 다시 학습에 사용함으로 모델을 개선하는 방법을 사용한다. 이러한 시스템의 장점은 기존의 모델이 한정된 환경에서 만들어진 모델이라 하더라도 검증 데이터를 다시 가져와서 학습으로 사용하기 때문에 다양한 현장에 적용할 때 따로 시스템을 다시 구동할 필요 없이 모델이 개선되는 것이다.

3.1 실험 환경

모터의 기계적인 고장은 베어링, 기어, 과도한 부하, 노후화, 환경적인 원인에 의해서 일어난다. 본 논문에서 고장상태는 기어박스에서의 치의 고장을 고장 상황으로 하여 고장을 진단한다. 본 논문에서는 감속비가 1:10의 감속기어를 4극 유도전동기에 부착하여서 사용하였다. 사용된 기어박스와 기어의 고장상태가 그림. 8에서 확인할 수 있다^[4]. G1의 36개의 치를 가지고 있는 기어의 한 개의 치가 파손된 상태를 고장상태로 선정하였다. 사용된 유도전동기는 ‘K9IP200FH’이고 이 전동기는 4극 220V, 200W의 사양을 가지고 있다. 데이터 측정을 위해서 단축 가속도 센서를 기어박스의 X축 우측에 부착하였다. 그림. 9는 논문에서 사용된 실험 환경을 보여준다^[5].

3.2 제안된 시스템의 신뢰도 평가 실험

기존의 연구된 방법은 많은 연구 결과가 있듯이 신뢰할 수 있는 정확도를 보여준다. 기본의 연구와의 비교를 위해서 다음과 같은 조건을 주어서 실험을 진행한다.

1. 두 시스템 같은 데이터를 사용한다.

2. 학습 데이터를 이용하여서 96% 정도의 정확도를 가지는 가중치를 만들어서 각각의 시스템에 적용한다.

3. 검증 데이터를 이용하여서 각각의 시스템에서 검증한다.

4. 두 시스템은 같은 그림. 4의 CNN모델을 사용하지만 다른 시스템으로 구성된 시스템이다. 기존시스템의 경우 그림. 2(a)로 개선된 시스템은 그림. 2(b)로 구성된다.

실험에 사용된 데이터는 표 3과 같다. 정상, 고장 데이터는 각각 16400개의 데이터를 사용하였고 총 32800개의 데이터를 사용하였다. 이중 학습데이터로 32800/4*3인 24600, 검증 데이터로 32800/4*1인 8200개를 사용하였다. 위와 같은 조건을 부여하는 이유는 입력되는 데이터에 의해서 정확도가 변화한다면 두 시스템을 정확하게 비교할 수 없다. 때문에 같은 조건에서 수집된 데이터를 이용한다. 정확도를 확인하여서 두 시스템의 출력이 근접한다면 제안된 연구 결과는 기존의 연구 결과를 충분히 보완할 수 있는 시스템이라는 것을 증명한다.

3.1 실험의 결과인 표 4를 확인하면 기존의 시스템과 개선된 시스템 정확도의 거의 같은 결과를 출력하는 것을 확인할 수 있다. 그러나 개선된 시스템을 계속해서 실행하면 정확도가 흔들리거나 정확도가 99% 정도로 높아지는 현상이 발견되었다. 위와 같은 현상은 개선된 시스템에서 실시간으로 계측된 데이터를 통하여 학습이 진행되고 있는 것으로 해석할 수 있다. 위 실험은 이미 계측된 제한적인 데이터를 이용하여 시스템을 실행하는 과정에서 개선된 시스템은 데이터를 계속하여서 학습하였고 과정에서 오버 피팅의 문제가 발생한 것을 확인하였다. 때문에 논문에서 제안한 시스템은 기존의 시스템처럼 사용은 가능하지만, 정적인 상태이거나 제한적인 데이터의 상황에서 구동하는 경우 학습 과정에서 제한조건을 주는 추가적인 조치가 필요하다.

3.3 제안된 시스템의 정상적인 구동을 확인하는 실험

본 논문에서 제안된 시스템의 정상적으로 동작하는 것을 확인하기 위한 실험이다. 3.1의 실험은 시스템의 신뢰도에 관한 실험이라면 3.2의 실험은 본 논문에서 제안한 대로 시스템이 동작하는지에 관한 실험이다. 본 논문에서 제안한 시스템이 정상 동작을 확인하기 위해서는 검증 시스템에서 서버로 데이터가 정상적으로 전송이 되는지, 서버에서는 정확한 데이터를 일정하게 저장하는지, 학습 시스템은 서버에 저장된 데이터를 바탕으로 학습을 진행하는지를 확인해야 한다. 위 같은 상황을 검증하기 위해서 다음과 같은 조건을 주어 실험을 한다.

1. 두 시스템 같은 데이터를 사용한다.

2. 표 3의 데이터를 이용하여 82.31%의 정확도를 가지는 초기 모델을 만든다.

3. 그림. 4의 CNN모델과 그림. 2(b)를 이용하여서 개선된 시스템을 구성한다.

4. 시스템을 동작하여 정확도의 추이를 확인한다.

5. 학습 조건은 전체 주파수 데이터를 수집할 수 있는 1800개의 데이터가 새로 수집되었을 경우로 한다.

6. 데이터 셋을 구성할 때 기존의 데이터에서 랜덤으로 1200개의 데이터를 같이 이용한다.

본 논문에서 초기 모델을 만드는 과정에서 표 3의 실험 3.2에서 사용하였던 데이터를 이용하였다. 또 새로 입력되는 데이터에 이전 데이터를 추가하여 데이터 셋을 구성한다. 그러한 이유는 입력된 데이터에서 이전의 값의 특징을 쉽게 잃지 않게 하기 위해서이다. 시스템이 동작할 때마다. 3000개의 데이터가 수집되고 이중 학습 3000/4*3=2250개, 검증 3000/4*1=750개의 데이터가 사용되었다. 제안된 시스템은 그림. 2를 보면 실시간을 데이터를 수집하여서 수집된 데이터를 기반으로 다시 학습하는 과정이 있다. 때문에 시스템이 동작함에 따라서 자동으로 데이터를 수집하고 수집된 데이터를 이용하여 학습하고 정확도를 보정해 나갈 것이다. 실험 조건 5와 같은 조건을 주는 이유는 본 논문에서 사용하는 전동기는 시간에 따라서 구동 주파수를 변경한다. 따라서 전체 상태의 데이터를 고려한 학습을 진행하기 위해서는 전체 주파수가 계측되는 1800개의 데이터가 계측될 때 학습을 진행한다. 이 과정에서 파악할 수 있는 것은 정확도가 개선된다면 정확한 데이터가 서버로 전송되어 학습 데이터로 사용된다는 것을 확인할 수 있고, 개선된 가중치가 서버에 저장되어 검증시스템에 적용되는 것을 확인할 수 있다. 3.1 실험의 결과인 그림. 10을 확인하면 처음 82.31%의 정확도를 가지던 시스템이 동작함에 따라서 정확도가 개선되는 것을 확인할 수 있다.

3.4 제안된 시스템의 외란에 관한 실험

딥 러닝을 이용하는 고장 진단에서 어려운 요인 중 하나는 학습할 데이터를 수집하는 작업이다. 전동기의 경우 많은 산업에서 사용하는 만큼 다양한 환경에 노출되어 있을 것이고 사용하는 데이터인 진동이라는 특성상 외부 환경에 의해서 다양한 외란이 정기적으로 혹은 간헐적으로 입력될 것이기 때문이다. 여기서 문제는 정기적으로 입력되는 외란이다. 정기적으로 외란이 입력될 경우 검증 시스템은 이를 고장으로 인식하고 틀린 결과를 산출한다. 가장 좋은 방법은 이러한 데이터를 한 번에 수집하여서 학습 데이터로 사용하는 것이지만 현실적으로 불가능하다. 때문에 이러한 외란을 제거하는 데이터 선 처리 알고리즘을 추가하는 식으로 대처하기도 한다. 그러나 본 논문에서 제안한 시스템은 외란에 대해서도 더 유연하게 대처할 수 있다. 이를 알기 위해서는 사용된 알고리즘과 학습 시스템의 동작 구성을 동시에 살펴보아야 한다.

그림. 11를 보면 처음 학습 시스템이 서버에서 최신 데이터를 요청한다. 최신 데이터를 입력받은 학습 시스템은 데이터 프로세싱 과정을 통해 조건에 부합하는 데이터 세트를 만들어 학습에 입력 전체 데이터로 넣어준다. 학습 알고리즘은 전체 데이터를 배치 사이즈만큼 나누어서 설정된 에폭까지 학습을 진행하고 완성된 모델을 출력한다. 여기서 학습은 완료된다. 그러나 학습 시스템은 한번 학습된 모델을 저장하고 다시 학습 시간 동안 모인 최신 데이터를 학습 알고리즘의 입력 데이터로 다시 넣어준다. 이러한 과정 때문에 학습 모델은 계속 최신 데이터를 고려한 학습 모델을 만들 수 있으며 이전 모델에 학습을 더 진행하기 때문에 이전 모델의 특징이 없어지지 않고 만약을 위해서 학습과정의 전체 데이터를 이전의 데이터도 같이 넣어주기 때문에 이전 모델의 특징은 잃어버리지 않고 새로운 모델이 만들어진다. 이러한 전체 시스템의 동작 특성 때문에 정기적으로 입력되는 외란이 포함된 데이터를 같이 학습하여서 모델을 구성할 수 있다.

본 실험에서 지속적인 기계적인 외란에 의한 정확도 변화 실험을 위해서 그림. 12와 같은 실험환경을 추가하였다. 보통의 산업 현장이라면 전동기를 두 개 이상 구동하는 경우도 잇을 것이다. 그때 전동기 간의 사이가 적다면 다른 전동기에 의해서 만들어지는 진동이 고장진단을 하고 있는 전동기의 진동 센서에 영향이 있을 것이다. 그러한 환경을 위해서 그림. 12에서 2번의 외란 발생 전동기 1을 구동하여 외란을 발생 시키고 데이터를 수집하였다. 또 전동기가 설치되는 환경에 따라서 지속적인 기계적 외란이 여러 이유에 의해서 같이 수집될 수 있다. 이러한 환경을 위해서 그림. 12에서 3번의 외란 발생 전동기 2를 모터 고정대에 부착하여 데이터를 수집하였다. 그림. 5의 데이터는 그림. 12에서 3번의 환경에서 만들어진 데이터이다.

1. 표 3의 데이터를 이용하여 96%의 정확도를 가지는 초기 모델을 만든다.

2. 두 시스템은 같은 그림. 4의 CNN모델을 사용하지만 다른 시스템으로 구성된 시스템이다. 기존시스템의 경우 그림. 2(a)로 개선된 시스템은 그림. 2(b)로 구성된다.

3. 96%의 정확도를 가지는 초기 모델을 기존의 시스템과 제안된 시스템의 정확도를 파악한다.

4. 제안된 시스템에서의 학습은 5000개의 무작위 데이터로 학습을 한다.

5. 본 실험에서는 정확한 실험을 위해서 새로 입력되는 데이터를 표 5번의 데이터로 고정한다.

처음 초기 모델을 만들기 위한 데이터는 실험 3.2에서 사용된 데이터를 이용하여 96%정확도를 가지는 모델을 구성하였다. 데이터는 표 5와 같이 구성하였다. 그림. 13은 3.4의 실험 결과이다. 외란이 입력되기 전의 기존의 시스템과 제안된 시스템의 결과는 표 2에서 확인할 수 있다. 결과를 보면 기존의 시스템의 정확도는 75% 이하로 감소한 것을 확인할 수 있다. 반면 제안된 시스템에서도 초기에는 정확도가 감소하다가 증가하고 기존의 정확도인 96%까지 정확도를 회복하는 것을 확인할 수 있다. 본 실험에서 확인할 수 있듯이 제안된 시스템은 지속적인 기계적 외란이 추가된 데이터가 입력되어도 원하는 정확도로 회복한다. 단, 기계적인 외란이더라도 간헐적인 외란에 대하여는 취약할 수 있다.