베어링 고장 진단을 위한 CNN 기반 딥러닝의 계산 복잡도 감소 기법

• Published in: 디지털콘텐츠학회논문지 Vol. 24; no. 6; pp. 1373 - 1379
• Main Authors: 박재현(Jae Hyun Park), 김철홍(Cheol Hong Kim)
• Format: Journal Article
• Language: Korean
• Published: 한국디지털콘텐츠학회 01.06.2023
• Subjects: 컴퓨터학; 베어링; CNN; Fault Diagnosis; 고장 진단; 딥러닝; Computation Complexity; 계산 복잡도; Deep Learning; Bearing
• ISSN: 1598-2009; 2287-738X
• DOI: 10.9728/dcs.2023.24.6.1373

산업 현장에서 사용되는 회전 기계의 상태를 진단하는 데 있어서 주요 부품인 베어링의 결함 발생 여부를 빠르고 정확하게 판단하는 것은 매우 중요하다. 베어링 고장 진단을 위해 최근에는 딥러닝 기법이 많이 활용되고 있는데, 딥러닝 기반 베어링 고장 진단 기법의 단점은 기존의 신호 분석 기법과 비교하여 상당히 복잡한 계산을 요구한다는 것이다. 본 논문에서는 베어링에서 획득한 음향 방출 신호를 활용하는 딥러닝을 통해 정확하게 고장을 진단하는 기존 기법의 계산 복잡도를 크게 감소시킬 수 있는 새로운 진단 기법을 제안한다. 실제 산업 현장에서 사용되는 회전 기계 설비는 고성능 GPU와 같은 높은 계산 처리량을 제공하는 장비를 활용하는데 제약이 있기 때문에 제한된 성능의 임베디드 보드에서도 빠르게 동작할 수 있는 고장 진단 기법이 요구되기 때문이다. 고장 진단을 위한 기존의 CNN 모델에서 레이어를 분리하여 베어링의 정상/비정상 상태만을 구분하는 초기 고장 진단 단계와 비정상 상태로 구분되는 경우에 한해 어떤 유형의 베어링 결함이 발생한 것인지를 판별하는 고장 원인 분류 단계로 구성함으로써 전체적인 고장 진단 정확도에는 거의 영향을 미치지 않는 수준에서 계산 복잡도를 약 55% 감소시킬 수 있다. Recently, deep learning methods have been adopted in bearing faults diagnosis to improve the accuracy; however, deep learning methods require much more computation complexity compared to previous signal processing methods. This paper proposes a method to reduce the computation complexity of the deep learning-based bearing faults diagnosis. The acoustic emission signals obtained from the working bearings are converted into spectrogram images, and CNN models are then applied to monitor the bearings' status. The mechanical facilities adopted in real industrial sites have difficulty using expensive processing devices, such as high-performance GPUs. Therefore, a bearing fault diagnosis method for embedded systems is necessary. The proposed method consists of two phases: an initial fault diagnosis phase that classifies normal/abnormal states and a fault-type classification phase determining the defect type for abnormal states. Our experiments using a Raspberry Pi board reveal that the proposed method decreases the time for bearing faults diagnosis by approximately 55% without compromising diagnostic accuracy. KCI Citation Count: 1