한지훈
(Ji-Hoon Han)
1iD
박상욱
(Sang-Uk Park)
1iD
홍선기
(Sun-Ki Hong)
†iD
-
(Dept. of Information Control Engineering, Hoseo University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Deep learning, Motor fault diagnosis, DT-CNN, Vibration signal, Current signal, Fault level determination
1. 서 론
전동기 고장 진단에서 고장이란 상황에 따라 다르게 정의될 수 있다. 전동기의 고장은 제품 생산 공정에 치명적인 영향도 줄 수 있고, 미미한 영향도
줄 수 있다. 이러한 고장의 정도를 세밀히 분석하기 위해 FMECA (Failure Mode Effect Critical Analysis)가 사용될
수 있다 (1). 하지만 이전의 전동기 고장 진단에 관련된 연구들은 전동기 고장 수준에 대해 면밀히 분석 하지 않은 것으로 보인다.
고전적인 전동기 고장 진단의 경우 전동기 고장 상태에 따른 특징 주파수 영역을 사전에 계산하여 주파수 영역에서 그 진폭을 비교하는 것으로 진단을 하였다.
개발자가 정한 고장수준 수치를 기준으로 진단되기 때문에 이는 엄밀하지 못하다. 또한 이러한 기준 값을 산출하기 위해 진단 대상이 되는 전동기에 대한
해박한 지식이 요구되며, 진단 설비 및 데이터 측정 등 많은 시간이 소요된다. 이러한 고전적 고장 진단 방식은 기계 저항 성분에 의한 부하 변동을
기준으로 개발되기 때문에 고정된 고장 상태에서의 진단만 가능한 단점도 존재한다.
딥 러닝 알고리즘을 이용할 경우 고전적 고장 진단에 비해 더욱 자유롭고 넓은 범위의 고장 진단 시스템 구성을 할 수 있다. 하지만 딥 러닝 알고리즘을
이용한 고장 진단은 실험실 또는 현장에서 계측된 신호를 통해 학습된 모델을 사용하기 때문에 전동기 고장 수준에 대한 분석은 여전히 어려움이 있다 (2-3).
전동기는 사용 분야에 따라 허용되는 고장의 수준이 달라진다. 반도체 조립 장치에 사용되는 전동기는 미세한 기계 고장에도 영향을 받는다. 즉, 전동기
고장 진단에 있어 전동기 고장 수준 결정 (fault level determination : FLD)에 관한 연구가 요구된다.
본 논문에서 제안되는 FLD를 위한 데이터 분석은 전동기의 진동 신호와 전류 데이터를 동시에 사용하는 텐서 데이터를 통해 진행된다. 일반적으로 베어링
파손, 기어 마모와 같은 기계적 고장 진단은 전동기의 진동 신호를 통해 진단된다. 이는, 전동기 고장에 의한 기계 저항 성분의 변화에 직접적인 영향을
받는 요소가 진동 신호이기 때문이다. 전류 데이터는 고정자 권선 단락 또는 로터 바 결함 등 전기적 고장을 진단할 때 강력하게 사용되지만, 베어링
손상과 같은 기구 고장에서는 진동 신호에 비해 고장 신호를 보이기 어렵다. 하지만 기계 저항 성분 변화에 의한 부하 변동을 통해 간접적인 영향을 받는
전류 신호를 이용한 고장 진단에 관한 연구가 진행되고 있다 (4-5). 이 연구들은 고전적인 주파수 성분 분석과 딥 러닝을 이용한 방법을 포함한다. 전류 데이터를 이용할 경우 시스템 설비의 복잡성 및 경제성 면에서
이득을 볼 수 있다. 하지만 간접적인 영향을 받는 전류 신호는 상대적으로 심화된 고장 상태만을 진단할 수 있다. 이러한 각 신호들은 FLD 알고리즘
개발을 위해 분석된다.
진동 신호는 전동기의 고장에 의한 신호 변화에 상대적으로 크게 반응한다. 이는 전동기 운전에 큰 영향을 주지 못하는 초기 고장 상태에서의 신호 또한
정상 상태 신호와 매우 큰 차이를 보인다는 것을 의미한다. 즉, 고장 수준 결정에는 진동 데이터는 적합하지 않다. 진동 신호는 전동기 상태에 따라
값이 상대적으로 크게 변화되기 때문에 이상치 데이터를 분류할 수 있는 모델 적용이 요구된다. DT-CNN(Decision Tree Convolutional
Neural Network)은 이상치 데이터를 분류할 수 있는 알고리즘으로 전동기의 상태 변화를 파악하는 것에 적합하다 (6,7). 이상치 데이터란 학습에 사용되지 않은 별개의 데이터 특성을 가진 데이터 군을 의미하며 전동기 상태가 변화한다면 그 신호는 학습에 사용된 데이터와
완전히 다른 데이터가 된다. 진동 데이터는 초기 고장 상태에서도 데이터가 크게 변화하기 때문에 이를 통해 고장의 수준을 결정하는 것은 매우 어렵다.
따라서 전류 데이터가 고장 수준 결정에 사용된다. PCA (Principal Component Analysis)를 통해 분류되기 어려운 전동기 초기
고장 시의 전류 신호를 CNN와 같은 딥 러닝 알고리즘을 통해 분류할 수 있다. 이는 상대적으로 데이터 차이가 적은 것이지 전류 신호의 변화가 없지
않다는 것을 의미한다. 이러한 전류 신호를 정상 상태 신호와 고장 상태 신호 사이의 유사성을 학습 시키는 Section RMSE (Root Mean
Square Error) 데이터 분류 모델을 이용하여 분류하는 것으로 전동기의 고장 수준을 파악할 수 있다 (7).
본 논문에서는 전동기 고장 진단에 개별적으로 사용되었던 진동 데이터와 전류 데이터의 특징을 분석하여 고장 진단 및 고장 수준 결정에 적합한 모델 구조를
개발하는 연구가 진행된다. 이는 정상 상태, 기어 고장 상태 및 심화된 기어 고장 상태의 분류 문제를 해결하는 것으로 증명된다.
2. 고장 수준 결정을 위한 진동/전류 데이터 특성 분석
그림. 1. 전동기 상태에 따른 진동 신호 차이
Fig. 1. Differences of vibration signal for motor states
일반적으로 전동기 기계 고장 진단에 사용되는 신호는 진동 신호이다. 진동 신호는 전동기 내부 구성 요소 고장에 직접적인 영향을 받기 때문에 분석하기
매우 용이한 신호이다.
그림 1은 전동기 기어 손상 시 진동 신호를 보여준다.
그림 1의 (a), (b)의 차이점은 110~160 [Hz] 대역에서 두드러진다. 이 주파수 대역은 손상된 기어가 회전 하며 발생시키는 진동의 주파수이다.
전동기 진동 신호는 전동기의 마모와 같은 운전에 큰 영향을 주지 않는 고장에도 민감하게 반응한다. 하지만 전류 신호는 기계 고장에 의한 기계 저항
성분 변화에 간접적인 영향을 받는다. 이는 일반적으로 전동기 부하 (load torque)로 표현된다
(8). 이는 임펄스 트레인 함수로 표현되는 부하 변동의 직류 전원 성분을 무시하여 표현하면
(1)과 같이 표현된다
(9).
$T_{0}$는 전동기가 자체적으로 가지고 있는 부하를 의미한다. $\omega_{fault}$는 전동기 고장에 의해 발생되는 주파수 성분의 각속도이다.
전동기에 힘을 생성하는 요소는 전류이다. 전동기의 고장에 의해 발생되는 부하는 관성, 마찰 및 풍손 등이 있다. 고장에 의한 부하 변동은 기어의 충돌,
외륜 및 내륜의 회전에 의해 발생된다. 전동기에 기계적 고장이 발생될 때는 전동기 회전에 따라 부하가 발생되기 때문에 전동기 회전과 그에 대응하는
고장 성분의 삼각 함수 합으로 부하가 발생된다. 전동기가 정상상태인 경우
(1)의 마지막 항은 0이 된다. 이는 외란이 거의 없고 토크 제어가 되는 상태에서 전류의 주파수 성분은 구동 전원 주파수에 가장 큰 영향을 받는다는 것을
의미한다. 하지만 전동기 고장에 의한 부하 변동이 일정한 주파수 성분을 가지고 반복된다면 전류의 주파수 성분에는 기계 고장에 의한 부하 변동 주파수의
기본파와 고조파 성분이 유입된다. 전동기 기계 고장에 의해 영향을 받는 주파수는
(2)와 같이 표현된다
(10).
$f_{0}$는 전동기 상전류의 기본파를 의미한다. $\alpha_{n}$은 전동기 고장이 전류 신호에 미치는 영향을 표현하는 계수이다. 고전적인
고장 진단에서는 $\alpha_{n}$에 따른 전동기 상태를 역으로 분석하여 전동기 고장 상태를 진단하였다. $f_{n}$은 전동기 고장에 의해 발생되는
주파수이다.
(2)를 통해 출력되는 주파수는 신호의 주파수 성분이며 FFT와 같은 주파수 분석법을 통해 그 값을 확인할 수 있다.
(2)는 하나의 요소에 의해 부하 변동이 발생될 때의 표현이다. 기어 박스와 같이 축, 기어 충돌에 의한 영향이 복수로 있을 때에는
(2)에 새로운 영향에 대한 시그마 식을 추가해야 한다.
(2)는 동일한 고장을 표현할 때에 존재하는 다른 요소들의 합으로 나타난다. 예를 들어 기어 박스 내부 치들의 충돌에 의한 부하 변동을 표현할 경우 $N$은
기어가 충돌하는 축의 수가 된다.
(2)를 확장시켜 기어 박스 내부의 기계 저항에 의한 부하 변동을 나타내는 식은
(3)과 같다.
$\alpha_{n}$은 기어 박스 내부 축 회전에 의해 발생하는 주파수 성분의 영향을 의미한다. $\beta_{p}$은 기어 박스 내부 기어들의
충돌에 의한 주파수 성분의 영향을 의미한다. 일반적으로 기어 박스의 고장은 기어의 마모 및 손상 이다. 이는 진단해야 할 특징 주파수는 $f_{p}$라는
것을 의미한다. 전류 데이터가 진동 데이터에 비하여 전동기의 고장 신호에 둔감하게 반응하는 것은 부하 변동을 표현하는 계수인 $\alpha_{n}$또는
$\beta_{p}$의 값이 초기 고장 상태에서 상대적으로 매우 작기 때문이다.
그림 1을 통해 진동 신호는 전동기 고장 상태의 변화에 따라 매우 민감하게 변화된다는 것을 알 수 있다.
그림 2의 (a)는
그림 1의 데이터를 측정할 때 구현된 기어 손상 상태를 보여주며
그림 2의 (b)는 심화된 손상 상태를 보여준다.
그림. 2. 기어 손상 상태
Fig. 2. The damaged state of gear teeth
진동 신호는 전류 신호와 달리 기어 충돌에 의한 영향을 직접적으로 받는다. 반면에 전류 신호는
(3)에 의거한 부하 변동에 의해 영향을 받는다.
그림 2의 (a)에서 보이는 고장 상태에서의 $\alpha_{n}$은 상대적으로 매우 작은 값이다.
그림 3은
그림 2의 (a) 고장 상태에서 측정된 전류 신호를 보여준다.
그림. 3. 기어 손상 상태에서의 전류 신호
Fig. 3. The current signal in damaged gear state
전동기의 구동 전원 주파수는 50Hz이다. 하지만
(2)를 통해 계산된 기어 마모에 의한 주파수 성분인 12.5 [Hz] 성분과 그 고조파 성분이 제대로 확인되지 않는다. 이는 전동기 고장이 전류 신호에
충분한 영향을 주지 못함을 의미한다. 즉, $\alpha_{n}$의 값이 매우 작다는 것을 보여준다.
그림 4는 전동기 기어 일부가 완전히 마모되었을 때의 모습을 보여준다.
그림 4는 그림 2의 (b) 고장 상태에서의 전류 신호를 보여준다. 그림 4를 통해 심각한 수준의 기어 고장에서의 전류 신호의 영향을 볼 수 있다. 전동기 고장의 정의는 전동기가 사용되는 분야에 따라 달라진다. 그림 4와 같은 신호가 발생된 수준의 전동기는 산업 안전사고를 발생시킬 위험이 크다. 하지만 그림 3의 신호가 발생되는 전동기는 외부적으로 큰 문제가 없이 회전될 수 있다. 이러한 전동기 고장은 반도체 조립 로봇 같은 세밀한 제어가 필요한 분야에서는
미연에 방지해야할 고장이 될 수 있다. 전류 데이터를 이용한 고전적 고장 진단에서는 그림 2의 (a) 고장 상태를 진단할 수 없다. 하지만 딥 러닝 알고리즘은 이러한 미세한 고장에 의한 신호 변화를 감지할 수 있음이 확인되었다.
그림. 4. 심화된 기어 손상 상태에서의 전류 신호
Fig. 4. The current signal in deeply damaged state of gear teeth
진동 신호는 고장에 따른 가시적인 신호 차이를 가지고 있기 때문에 딥 러닝 알고리즘을 활용해 고장 진단을 하는 것이 매우 적합하다. 하지만 진동 신호는
초기 고장 상태에서도 기존 신호와 큰 차이를 보이기 때문에 고장의 정도를 분류하기에는 적합하지 않다. 전류 신호는 초기 고장에 대해 상대적으로 둔감하기
때문에 고장의 정도를 분석하는 데 좀 더 유용할 수 있다. 따라서 진동 신호와 전류 신호의 특징을 이용하여 딥 러닝 기반의 고장 수준을 결정하는 알고리즘이
제안된다.
3. 딥 러닝 기반의 고장 수준 결정
2장에서는 고전적인 고장 신호 분석 방법이 설명되었다. 데이터 중심적인 딥 러닝 알고리즘의 학습 데이터의 성능 및 특성 평가는 모델 학습을 통해 진행되어야한다.
여기서 데이터의 특성은 고전적 기법에 의해 분석된 특성이며 이 특성을 최대로 이용할 수 있는 모델에서 정상 동작을 하는지 확인해야 한다. 따라서 2장에서
분석된 전동기 신호의 특징에 적합한 모델을 선정하고 조합하는 연구가 필요하다.
3.1 이전 연구
전동기 고장 진단에는 선행 연구된 DT-CNN이 사용된다 (6). DT-CNN은 기존의 지도 학습 방법의 강인한 학습성을 유지하며 학습에 사용되지 않은 이상치 데이터를 분류할 수 있는 오픈 셋 레코그니션 기법
중 하나이다. 이는 환경 및 시간의 변화에 따라 신호가 달라지는 전동기 진동/전류 신호를 분류해낼 수 있는 합리적인 방법이다. DT-CNN은 의사
결정 나무의 결정 노드를 과적합 된 CNN 알고리즘으로 대체하여 이상치 데이터를 분류할 수 있게 한다. DT-CNN을 통해 그림 2(a) 고장 상태에서의 데이터와 정상 상태를 포함한 전동기 상태 5개의 분류를 90% 이상의 정확도로 분류할 수 있었다 (7). DT-CNN의 장점은 전동기에 따라 달라지는 데이터 특성을 갖는 고장 진단 분야에서 수집하기 어려운 데이터로 인한 학습 데이터 부족 현상을 최소한의
데이터로 처리할 수 있다는 것이다. 그림 5는 선행 연구에서 사용된 DT-CNN의 구조를 보여준다 (6).
그림. 5. DT-CNN의 구조
Fig. 5. The structure of DT-CNN
진동 데이터만을 이용하는 기존의 연구에서는 DT-CNN을 통해 분류된 이상치 데이터와 수집된 빅 데이터 사이의 딥 러닝에 의한 비교를 통해 고장을
예측하였다. 전동기의 고장율은 초기 고장에서부터 더욱 가속되는 경향을 보이기 때문에 초기 고장 발견을 위해 Section RMSE 기반의 학습 데이터를
이용한 모델이 사용되었다.
그림 6은 시스템 고장률을 나타내는 Bathtub 곡선을 보여준다
(11).
그림 6은 시스템의 시간에 따른 고장률을 보여주는 곡선으로 전동기 고장률을 설명하는 것에 사용될 수 있다. 그림 6을 통해 전동기는 구동 초기에 주로 고장이 발생되며 시간이 지남에 따라 고장율이 증가함을 알 수 있다. 이는 초기 고장 상태 예측의 중요성을 보여준다.
하지만 진동 데이터만을 사용하는 방식의 고장 예측은 아래 2개의 문제점을 갖을 수 있다.
첫 번째는 전동기의 고장 신호가 수집된 전동기의 고장 신호로 한정된다는 것이다. 즉, 위 시스템을 통해 진단할 수 있는 전동기의 상태는 실험실에서
수집된 전동기의 고장 상태로 국한된다. 이는, 수많은 전동기 고장 상태에 기민하게 대처하기 어려움을 의미하며 운전에 영향을 적게 미치는 고장 상태에도
큰 변화를 보이는 진동 신호를 이용하는 것이 어려움을 의미한다.
그림. 6. 시간에 따른 고장률의 변화
Fig. 6. The ratio change due to time
두 번째 문제점은 전동기의 고장 상태가 특정되어 있다는 것이다. 예를 들어, 기어 고장 상태의 경우 여러 축을 가지는 기어 박스의 마모된 치의 개수에
따라 고장 신호는 달라지지만 이를 고려하기 위해서는 수많은 고장 상태를 구현해야 하는 문제점이 있다. 이는, 고전적인 고장 진단 또한 공유하는 문제점이
된다.
3.2 데이터 특성 활용 고장수준결정
이러한 문제점을 해결하기 위해 진동 신호와 전류 신호를 동시에 이용할 수 있는 텐서 데이터 기반의 고장 진단 및 예측 알고리즘을 개발하였다. 그림 7은 제안된 시스템의 흐름도를 보여준다.
그림. 7. 제안된 시스템의 간략화 된 흐름도
Fig. 7. The simplified flowchart of proposed system
제안된 시스템은 선행 연구된 진동 신호에 의한 고장 예측 알고리즘에서 이상치 데이터로 분류된 신호를 진동 신호가 아닌 전류 신호로 대체하는 형태를
보인다
(7). 전동기 신호의 유사성 패턴을 분석하기 위한 Section RMSE 분류에서 사용되는 데이터는 최대 사용되는 FFT 데이터 주파수의 수와 같기 때문에
그 복잡성이 크지 않다. LE-NET은 CNN을 이용한 모델 중 상대적으로 복잡도가 낮기 때문에 검증 속도에 이점이 있으며 과적합을 방지할 수 있다.
따라서 Section RMSE 데이터의 진단은 CNN 기반의 LE-NET를 통해 진행된다. 이는 선행 연구된 고장 예측 모델에 데이터 특성 기반의
데이터 활용이 추가된 형태이다. 제안된 구조는 전동기 고장 예측에 있어 진동 신호 기반의 고장 예측에 비해 더욱 세밀한 예측을 가능하게 한다. 전동기
텐서 데이터의 데이터 관점 특성은 각 신호 특성에 맞게 조합된 시스템에서의 분류 성능으로 평가 가능하다.
전류 데이터를 이용한 전동기 고장 수준 결정 방법과 진동 신호 기반의 전동기 고장 진단의 차이는 학습 데이터 전처리 과정이다. 진동 신호의 경우 센서에서
수집된 원 신호를 FFT 처리 후 사용한다. 하지만 전류 신호는 신호 유사성 패턴 분석을 위한 Section RMSE를 통해 데이터를 전처리한다.
그림 7을 통해 진동 신호로 분류하는 전동기의 상태는 실험실에서 수집된 확실한 정보가 있는 정상 상태 또는 고장 상태 및 이상치 데이터임을 알 수 있다.
여기서 이상치 데이터는 학습에 사용되지 않은 데이터 군을 의미한다. 본 논문에서 실험에 사용된 이상치 데이터는 초기 기어 고장 상태이다. 초기 기어
고장 상태와 심화된 기어 고장 상태는 이상이 생긴 기어를 같이 설정했기 때문에 유사한 고장 특성을 보인다. 하지만 진동 신호는 그림 1의 (b)에서 확인할 수 있듯이 초기 기어 고장 상태에서도 정상 상태와 매우 큰 신호 차이를 보인다. 즉, 이 데이터를 직접적으로 사용해 진단 및
이상치 데이터를 분류할 수 있다.
전류 데이터에 의한 고장 수준 결정은 전동기의 상태가 실험실에서 수집된 정상 또는 고장 상태와 다를 경우에만 진행된다. 따라서 전류 데이터는 실험실에서
수집된 전류 데이터와 현장에서 수집되는 데이터 사이의 유사성 비교에 사용된다. 유사성 비교는 선형 분류 딥 러닝 알고리즘에 의해 진행가능 하지만 일반적인
딥 러닝 모델은 이상치 데이터를 고려한 유사성 비교를 할 수 없다. 따라서 학습에 사용되지 않은 데이터 군이 입력되었을 때 그 데이터와 학습에 사용된
데이터 사이의 유사성 비교를 위해 영역 분할 RMSE 전처리가 진행되며 그 방식은 그림 8과 같다.
그림 8은 선행 연구된 진동 신호를 이용한 고장 예측 알고리즘에서 사용된 정상 상태와 고정 상태 불량 상태 사이의 Section RMSE 신호를 보여준다
(7). 학습에 사용되는 데이터는 각 영역별로 계산된 RMSE 값이다. 이는 고장 수준 결정을 위해 학습되는 전류 유사도 평가 모델을 학습하기 위한 학습
데이터를 만들기 위한 전처리 과정이다. 동기 고장은 고장 상태에 따라 일정한 대역에서 특징 신호를 발생시킨다. 전처리 없이 데이터를 활용하는 것이
아닌 Section RMSE데이터를 사용하는 것은 유사성 비교를 위해 데이터 구간 별 유사도를 이용하는 것을 의미한다. 이는 고장 상태의 진행에 따라
유사한 대역에서 고장 신호가 심화되는 전동기 고장 진단 분야에서 매우 유용하다.
그림. 8. 영역 분할 RMSE
Fig. 8. The section RMSE
Section RMSE 데이터를 사용함에 있어 가장 중요한 것은 RMSE 계산을 위해 분할시킬 영역의 수를 결정하는 것이다. 분할시킬 영역의 수가
작다면 일반적인 RMSE 계산과 큰 차이를 가지지 못해 패턴을 학습시키는 성능이 떨어진다. 반대로 분할시킬 영역의 수가 많다면 원 데이터를 사용하는
것과 큰 차이가 없어 패턴이 아닌 각 주파수의 유사성을 학습시키는 효과를 보인다. 분할시킬 영역을 결정할 때 가장 이상적인 상황은 패턴이 발생하는
구간을 이용하는 것이다.
(2)에 의거해 전류 신호는 구동 전원 주파수에서 기기 고장에 의해 발생되는 주파수만큼 떨어진 부분에서 특징 신호가 고조파 배수에 맞추어 발생된다. 이러한
특징을 정확하게 학습시키기 위해서는
그림 4의 심화된 고장 상태 데이터에서 확인된 기어 주파수 간격을 기준으로 하는 것이 좋다. 하지만 계산된 고장 주파수 간격은 실제 간격과 차이가 있다.
기어 고장에 의한 전류 주파수는 기어 맞물림 주파수에서 고장 기어 잇 수를 나눈 값으로 계산된다
(12). 본 논문에서 구현된
그림 2의 상태에서 계산된 고장 주파수는 7[HZ]이다. 하지만
그림 2(b)와 같이 2개의 기어 이가 손상된 경우이기 때문에
그림 4에서 확인 간으한 실제 특징 주파수 간격과 차이가 있다. 따라서 영역 분할 RMSE의 간격은 계산된 고장 주파수 7[Hz]의 수 배 수준으로 설정하는
것이 적절하다.
그림 9는 실험에 사용된 기어 박스의 모습을 보여준다.
그림. 9. 실험에 사용된 기어 박스 구조
Fig. 9. The used gearbox structure in experiments
그림 2에서 보이는 기어 고장 상태는
그림 9의 G1 단의 기어가 손상된 것이다. 하지만 실질적인 고장 진단은 G1외의 모든 기어 박스에서 발생될 수 있는 기어 고장을 진단할 수 있어야 한다.
이때 전류 신호의 특징 간격은 변화될 것 이다. 본 논문에서 다양한 고장 데이터를 통해 고장 수준을 결정하기 위해 선정된 영역 분할의 수는 10개
이며 주파수로는 30 [Hz] 간격이다.
그림 3, 4를 통해 확인할 수 있듯이 전류 데이터의 고장 신호는 구동 전원 주파수 근처에서 특징을 보인다. 이는 초기 고장 상태에서는 매우 미세한 값을
보이며 심화된 고장 상태에서는 확실한 값을 보인다. 하지만 두 신호 모두 구동 전원 주파수에서 100 [Hz] 이상 멀어진 대역에서는 차이가 거의
없다. 이는 너무 큰 분할 영역의 수를 가지게 될 경우 200 [Hz] 이후 데이터 패턴 비교에서 두 데이터 사이의 차이가 크게 발생되지 않아 데이터로서의
성능이 떨어진다. 이러한 값들을 설정할 때에는 영역 분할의 수를 달리하여 모델을 학습시키고 그 정확도를 분석해 적절한 값을 찾는다.
즉, 본 논문에서 제안된 고장 수준 결정은 전동기 고장 발생 시 운전에 영향을 미치지 않는 수준에서도 큰 차이를 보이는 진동 신호를 통해 고장 진단을
하며 실험실에서 수집되지 않은 데이터 등을 분류해낸다. 분류된 이상치 데이터는 신호 유사성 비교를 위해 설계된 Section RMSE 학습 모델을
통해 고장 수준 결정에 이용되며 이 데이터는 초기 고장 상태에서 그 데이터의 변화가 적은 전류 데이터가 사용된다. 고전적 고장 진단 이론을 통해 전동기의
고장 신호는 고장 정도에 따라 특정 주파수에서 주파수 스펙트럼의 값이 커진다는 것을 알 수 있다. 따라서 신호의 유사도를 사전에 설정된 심화 고장
상태와 비교하는 것은 타당하다. 이는 동일한 사양의 전동기에서 유사한 고장 신호가 발생된다는 것을 의미한다. 따라서 제안된 모델을 통해 진단되는 전동기는
학습에 사용된 전동기이다.
4. 실험 및 결과
4.1 실험 환경
딥 러닝 알고리즘에 의한 전동기 고장 신호 특성 분석을 위해 사용된 실험 환경은 선행 연구된 실험 환경과 같다 (7). 진동 신호 계측에는 Dytran의 10mV/g의 가속도 진동 센서가 사용된다. 전류 계측은 PXI의 NI 9227이 사용되었다. 전동기의 3상전류를
모두 수집하였으며 전동기의 삼상 불평형 현상을 고려하기 위해 3상 데이터 모두를 별도의 데이터로서 취급하였다. 실험에 사용된 유도 전동기는 200
[W]의 용량을 가지는 소형 전동기이며 4극기이다 (13). 그림 10은 실험 환경을 보여준다.
고장 예측에 사용된 전동기의 상태는 기어 고장 상태이며 그 모습은 그림 2, 그림 4와 같다. 제안된 알고리즘의 성능을 평가하기 위한 실험의 절차는 다음과 같다. 우선 DT-CNN을 이용하여 진동 신호를 분류한다. 이 때 학습 데이터는
정상 상태의 진동 신호와 심화된 기어 고장 상태의 진동 신호이다. 각 데이터는 1000개 씩 사용된다. 설정된 1000개의 데이터는 고장 진단 분야에서
가장 큰 문제점 중 하나인 데이터의 부족을 고려하기 위해 설정된 수치이다. 학습된 모델에 입력되는 데이터는 기어 고장 상태의 진동 신호이다. 일반적으로
수집된 전동기 고장 상태 신호는 심화된 전동기의 고장 상태이며 고장이 발생 중인 초기의 데이터는 구하기 매우 어렵다. 다음으로 DT-CNN을 이용하여
초기 고장 데이터를 이상치 데이터로 분류하는 성능을 확인한다. 그 후, DT-CNN으로 분류된 이상치 데이터의 전류 데이터를 분류하는 Section
RMSE 학습 데이터를 이용한 모델을 학습시킨다. 이 모델의 학습 데이터는 전동기 기어의 정상, 초기 고장 및 심화된 고장 상태 전류 신호이다. 전류
신호를 학습시키는 모델의 데이터를 다음과 같이 세분화 시킬 수 있는 이유는 진동 신호에 비하여 전류 신호가 고장에 덜 민감하고 수집이 진동 신호에
비하여 매우 편리하기 때문이다. DT-CNN의 구조는 그림 5와 같이 의사 결정 나무 형태를 보이고 있으며 각 결정 노드는 컨벌루션 계층 하나로 구성된 LE-NET이다. 학습에 사용되지 않은 데이터를 분류하기
위해 정상 상태와 그 외의 모든 데이터를 분류하는 2진 분류 노드, 기어 고장 상태와 그 외의 모든 데이터를 분류하는 2진 분류 노드로 구성된다.
DT-CNN을 통해 분류된 이상치 데이터의 전류 신호를 고장 정도에 맞게 분류하는 모델의 정확도를 분석하는 것으로 본 논문에서 제안된 FLD의 성능을
평가한다. 최종적으로 결정하고자 하는 고장 수준은 전동기 기어 고장 상태이다.
그림. 10. 실험 환경 : 1) 다이나모 미터 컨트롤러, 2) 다이나모 미터, 3) 유도 전동기, 4) 진동 센서, 5)전류 계측 모듈, 6)PXI,
7)소음/진동 측정 카드
Fig. 10. Experiment environments : 1) Dynamometer controller, 2) Dynamometer, 3) Induction
motor, 4) Vibration sensor, 5) Current measurement module, 6) PXI, 7) Noise/Vibration
card
4.2 실험 결과 및 분석
표 1은 그림 7에서 제안된 시스템에서의 진동 데이터 기반 이상치 데이터 분류 성능 및 전류 데이터를 이용한 초기 고장 상태 분류 정확도를 보여준다.
표 1. 제안된 방식의 이상치 데이터 분류 정확도
Table 1. Outlier data classification performance of proposed method
|
Outlier data classification accuracy (vibration)
|
Initial fault data classification accuracy (current)
|
|
88.4%
|
89.5%
|
표 1에서의 정확도는 컨퓨젼 매트릭스 상의 정확도를 의미하며
(14), 제안된 DT-CNN과 Section RMSE 기반 학습 모델의 이상치 데이터 분류 성능을 보이기 위해 사용된 지표이다. 일반적인 지도 학습 기반의
딥 러닝 모델의 성능을 확인하기 위해 사용되는 데이터는 학습을 위해 수집된 데이터 셋 중 일부이다. 하지만 제안된 시스템은 학습에 사용되지 않은 데이터가
모델에 입력되었을 경우까지 고려한 모델이기 때문에 이상치 데이터를 분류하는 성능을 평가하였으며, 이 데이터는 초기 고장 상태 데이터이다. 진동 신호는
고장 상태에 따라 크게 변화하고 DT-CNN은 학습에 사용되지 않은 초기 고장 상태 신호를 88.4% 정확도로 학습에 사용되지 않은 별개의 데이터
군으로 분류하였다. 또한 LE-NET 기반의 초기 고장 상태 분류 모델은 이상치 데이터로 분류된 진동 신호를 수집한 상태에서의 전동기 전류 신호를
89.5% 정확도로 기어 고장 상태로 예측하였다. 이는 데이터 특성 분석을 통한 모델 설계를 통해, 현장 적용시 고려하기 어려운 초기 고장 상태 데이터를
실험실 데이터만을 이용해 학습시킨 모델을 통해 88% 이상의 정확도로 분류해낼 수 있음을 보여준다.
표 2는 진동 데이터에 의한 DT-CNN 모델의 성능과 LE-NET 기반의 전류 데이터 분류 모델의 성능을 보여주며, 학습에 사용된 데이터 군과 같은 데이터
군을 통해 시험한 모델 성능을 나타낸다. 즉, 표 2의 실험 결과는 제안된 시스템이 학습에 사용된 데이터 군을 옳게 분류한 정확도를 보여주며 고장 진단 성능을 보여준다. 이를 통해 학습된 모델들은 실험실에서
수집된 데이터와 같은 데이터가 현장에서 들어올 때에도 90% 이상의 정확도로 알맞은 진단을 할 수 있음을 알 수 있다. 위 두 개의 결과는 고장 수준
결정을 위해 제안된 시스템은 기존 고장 진단 모델과 유사한 고장 진단 성능을 가지고 있으며 초기 고장 상태를 분류해내고 유사한 상태로 예측 가능함을
보여준다. 이를 통해 학습된 모델들은 실험실에서 수집된 데이터와 같은 데이터가 현장에서 입력될 때에도 90% 이상의 정확도로 알맞은 진단을 할 수
있음을 알 수 있다.
표 2. 모델 분류 정확도 (시험 데이터)
Table 2. Model classification accuracy (test data)
|
|
Normal state classification accuracy
|
Critical fault state classification accuracy
|
|
Diagnosis
(Vibration)
|
96.2%
|
91.0%
|
|
Prediction
(current)
|
97.5%
|
96.1%
|
표 1을 통해 딥 러닝에 의한 전류 기반 고장 진단은 신호 변화가 크지 않은 초기 고장 상태 또한 분류할 수 있음을 알 수 있다. 이는 고전적 전류 고장
진단에서는 매우 어려운 과정이다. 또한 심화된 고장 상태와 초기 고장 상태의 차이를 분류해낼 수 있음이 확인되었다. 정상 상태의 전류 신호와 기어
고장 상태의 전류 신호의 차이는 매우 작다. 실질적인 고장 예측은 이러한 작은 차이를 발견할 수 있는 알고리즘을 요구한다. 고장 예측 시 초기 발생된
고장의 신호를 얻는 것은 매우 어렵다. 하지만 심화된 고장 상태를 얻는 것은 비교적 간단하다. 심화된 고장 상태는 고전적 고장 진단에서 사용되는 고장
신호 시뮬레이션을 통해서도 얻을 수 있다. 본 논문에서는 분석된 데이터 특성을 기반으로 정상, 초기 고장, 심화 고장 세 단계의 고장 수준을 결정하였다.
딥 러닝 알고리즘을 이용하면 전동기의 미세한 고장에 의한 전류 변화를 분류해낼 수 있음이 확인되었기 때문에 초기 고장 시 민감한 신호 변화를 보이는
진동 신호를 통한 고장 진단과 전류 신호 변화 추적을 이용한 FLD를 이용한다면 더욱 세밀한 고장 진단 및 예측 가능할 것으로 기대된다.
5. Conclusion
본 논문에서는 세밀한 전동기 상태를 예측하는 FLD 알고리즘 개발을 위한 전동기 고장 상태에 따른 진동 신호와 전류 신호의 특성을 분석하는 연구가
진행되었다. 이는 기존의 신호 특성 연구와 달리 딥 러닝 알고리즘에 초점을 둔 분석이 주가 된다. 고전적 분석 기법을 통해 진동 신호는 전동기 고장에
대해 상대적으로 민감하고, 전류 신호는 상대적으로 둔감하다는 것이 확인되었다. 분석된 특성을 토대로 고장 진단에 진동 신호를 사용하고 고장 예측에
전류 신호가 사용되는 시스템이 제안되었으며 모델에 의한 학습 데이터 성능 분석을 통해 딥 러닝 알고리즘에서 고전적으로 분석된 텐서 데이터의 특성이
유지된다는 것이 확인되었다. 전동기 신호의 고전적인 분석 기반의 오픈셋 레코그니션 기법을 활용한 제안된 방식은 기존의 방식과 달리 학습에 사용되지
않은 현장의 전동기 진단에 강점을 갖는다. 현재 진행된 연구 수준은 정상, 초기 고장, 심화 고장 세 단계의 고장 수준 결정이며 본 연구를 통해 증명된
고장 데이터의 특성과 시스템을 활용하여 수집하기 어려운 고장 초기의 데이터를 최소화 시켜 더욱 상세한 수준의 FLD에 관한 연구가 기대된다.
Acknowledgements
This research was supported by Korea Electric Power Corporation. [Grant number : R21XO01-14].
References
Procedures for Performing a Failure Mode, 1949, Effects and Criticality Analysis,
U.S. Department of Defense, MIL-P-1629
W. Sun, R. Zhao, R. Q. Yan, Jun 2017, Convolutional discriminative feature learning
for induction motor fault diagnosis, IEEE Trans. Ind. Informat., Vol. 13, No. 3, pp.
1350–1359-
K. Kim, A. G. Parlos, Jun 2002, Induction motor fault diagnosis based on neuropredictors
and wavelet signal processing, IEEE/ASME Trans. Mechatronics, Vol. 7, No. 2, pp. 201–219-
N. Mehala, R. Dahiya, 2007, Motor current signature analysis and its applications
in induction motor fault diagnosis, Int. J. Syst. Appl., Eng. Develop., Vol. 2, No.
1, pp. 29-35
N. Feki, G. Clerc, P. Velex, Feb 2013, Gear and motor fault modeling and detection
based on motor current analysis, Elect. Power Syst. Res., Vol. 95
J. H. Han, D. J. Choi, S. U. Park, S. K. Hong, Oct 2019, A Study on Motor Poor Maintenance
Detection Based on DT-CNN, ICCAS 2019 Conference paper, pp. 1234-1237
J. H. Han, D. J. Choi, S. U. Park, S. K. Hong, Nov 2020, DT-CNN based Motor Failure
Prediction Considering Outlier Data, Journal of Institute of Control, robotics and
systems, Vol. 26, No. 11, pp. 932-939
J. H. Kim, D. I. Lee, 20146, Analysis of the Bearing Fault Effect on the Stator Current
of an AC Induction Motor, Journal of Institute of Control, robotics and systems, Vol.
20, No. 6, pp. 635-640
M. Blödt, P. Granjon, B. Raison, G. Rostaing, 2008, Models for bearing damage detection
in induction motors using stator current monitoring, IEEE Transactions on Industrial
Electronics, Vol. 55, No. 4, pp. 1813-1822
D. Lu, W. Qiao, X. Gong, 2017, Current-based gear fault detection for wind turbine
gearboxes, IEEE Trans. Sustain. Energy
G. A. Klutke, P. C. Kiessler, M. A. Wortman, Mar 2003, A critical look at the Bathtub
curve, IEEE Trans. Rel., Vol. 52, No. 1, pp. 125-129
GK Singh, SAS AlKazzaz, 2003, Induction machine drive condition monitoring and diagnostic
research—a survey, J Electric Power Res, Vol. 64, pp. 145-158
Townsend, 1971, Theoretical analysis of an alphabetic confusion matrix, Perception
& Psychophysics, Vol. 9, pp. 40-50
저자소개
He obtained his B.S. and M.S in Digital Control Engineering from Hoseo University,
Korea in 2019 and 2021.
Currently, he is pursuing the Ph.D in Information Control Engineering from Hoseo University,
Korea.
His research interests include deep learning and motor control.
He obtained his B.S. in Digital Control Engineering from Hoseo University, Korea in
2020.
Currently, he is pursuing the M.S. in Information Control Engineering from Hoseo University,
Korea.
His research interests include EEG signal processing and IoT system control.
He received the B.S., M.S. and Ph.D degrees in Electric Engineering from Seoul
National University, Korea in 1987, 1989 and 1993, respectively.
He joined Hoseo University, Korea, in 1995, where he is currently a Full Professor
with the Department of Digital Engineering.
His research interests include hysteresis motor analysis, electric motor analysis
and design, motor fault diagnosis, servo motor control, converter and inverter
design, deep learning and IoT.