회전 기계 고장 진단을 위한 적대적 순환 일관성 유지 학습기반 교차 도메인 적응 방법

• Published in: Chŏngbo Kwahakhoe nonmunji pp. 530 - 536
• Main Authors: 장계봉, 조성배
• Format: Journal Article
• Language: Korean
• Published: 한국정보과학회 01.07.2022
• Subjects: 컴퓨터학
• ISSN: 2383-630X; 2383-6296
• DOI: 10.5626/JOK.2022.49.7.530

다양한 산업분야에서 데이터 기반의 고장 진단 모델에 대한 연구가 활발히 이루어지고 있다. 그러나 산업 장비의 경우 다양한 운행 조건이 발생하고, 이에 따른 충분한 훈련 데이터 확보가 어렵다는 문제가 있다. 이러한 문제를 해결하기 위해 교차-도메인 적응 기법을 활용할 수 있다. 본 연구에서는 회전체 진동 데이터를 사용하여 학습되지 않은 새로운 환경 데이터에 대해서도 고장 분류 일관성을 유지할 수 있는 적대적 일관성 유지 변환 학습 방법을 제안한다. 일관성 유지 학습을 통해 생성된 데이터는 새로운 운행 조건 데이터 분포와 이미 알고 있는 데이터 분포 간의 연속적인 불변 잠재 공간을 생성하고, 고장 분류 특징 정보를 공유하는 적대적 학습 네트워크를 통해 고장 분류 성능을 유지하도록 학습한다. 따라서 제안된 방법은 도메인 데이터 간의 불일치를 최소화할 수 있는 잠재적 공간을 넓힘으로써 보다 안정적이고 일반적인 분류 성능을 확보할 수 있다. 제안한 모델의 실험결과는 약 88%내외의 성능 평가가 이루어졌으며, 기존 교차-도메인 적응 학습 기법들과 비교하여, 약 5～10%의 성능향상을 보였다. 이러한 연구 결과로 실제 산업현장에서 겪는 장비 고장 진단 문제의 효과적인 해결방안이 될 것으로 기대된다. Research on data-based fault diagnosis models is being actively conducted in various industries. However, in the case of industrial equipment, various operating conditions occur, and it is difficult to secure sufficient training data. To solve this problem, a cross-domain adaptation technique can be utilized. In this study, we propose an adversarial consistency-maintaining transformation learning method that can maintain failure classification consistency even for the new untrained environmental data using the rotating body vibration data. The data generated through consistent learning creates a continuous invariant latent space between the new operating condition data distribution and the known data distribution and learns to maintain the failure classification performance through an adversarial learning network that shares the failure classification characteristic nformation. Therefore, the proposed method can provide a more stable and general classification performance by expanding the potential space to minimize the discrepancy between domain data. The experimental results of the proposed model showed about 88% accuracy for a real-machine dataset, and compared to the existing cross-domain adaptive learning methods, it showed a performance improvement of about 5-10%. According to the results of this study, it is expected to be an effective solution for the problem of equipment failure diagnosis at actual industrial sites. KCI Citation Count: 0