KCI등재
보편적 특징의 추출 및 선택에 기반한 회전체 기계의 고장 검출 및 진단 = Fault Detection and Diagnosis of Rotating Machinery Based on Universal Feature Extraction and Selection
저자
김민기 (경상국립대학교)
발행기관
학술지명
아시아태평양융합연구교류논문지(Asia-pacific Journal or Convergent Recearch Interchange)
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
수록면
115-125(11쪽)
DOI식별코드
제공처
Since most mechanical equipment includes rotating machines, rapid failure detection and diagnosis of rotating machinery is essential to manage mechanical equipment to operate normally. Traditional signal processing methods have the inconvenience of having to analyze the data characteristics of the domain and extract valid features manually every time the domain changes in order to diagnose a specific machine failure. In contrast, the methods using deep learning automatically extract valid features regardless of the domain, but they face the challenge of securing a large amount of data to train a deep neural network. In this study, we extract universal features widely used in traditional signal processing methods and apply the Relief-F algorithm to automatically select valid features. Finally input them into a shallow multi-layer perceptron (MLP) classifier, which can be trained with relatively little training data, to detect and diagnose machine failures regardless of the domain. As a result of applying the proposed method to the MaFaulDa dataset, it showed an accuracy of 99.95% for both fault detection and diagnosis when using a 256-dimensional feature vector. Even when the feature vector was reduced to 64 dimensions, the fault detection and diagnosis accuracy were 99.75% and 99.65%, respectively. These results show that the proposed method is effective in detecting and diagnosing failures in rotating machinery.
더보기기계 설비는 대부분 회전하는 기계를 포함하고 있으므로, 기계 설비가 정상적으로 동작하도록 관리하기 위해서는 회전체 기계에 대한 신속한 고장 검출 및 진단이 필수적이다. 전통적인 신호 처리 방식은 특정한 기계의 고장을 진단하기 위하여 도메인이 바뀔 때마다 해당 도메인의 데이터 특성을 분석하고 연구자가 수작업으로 유효한 특징을 추출해야 하는 번거로움이 있다. 이에 반하여 딥 러닝을 이용한 방식은 도메인에 무관하게 자동으로 유효한 특징을 추출하는데 비하여 심층신경망을 학습시키기 위하여 다량의 데이터를 확보해야 하는 과제를 안고 있다. 본 연구에서는 전통적인 신호 처리 방식에서 널리 사용되는 보편적인 특징들을 추출한 후 Relief-F 알고리즘을 적용하여 유효한 특징을 자동으로 선별하였다. 이렇게 추출된 특징을 상대적으로 적은 학습데이터로 학습시킬 수 있는 깊이가 얕은 다층퍼셉트론(MLP) 분류기에 입력하여 도메인에 무관하게 기계의 고장을 검출 및 진단할 수 있는 방법을 제안한다. 제안한 방법을 MaFaulDa 데이터세트에 적용하여 실험한 결과 256차원의 특징 벡터를 사용하였을 때 고장 검출과 진단 모두 99.95%의 정확도를 보였다. 특징 벡터를 64차원으로 줄인 경우에도 고장 검출과 진단 정확도는 각각 99.75%, 99.65%를 보였다. 이러한 결과는 제안한 방식이 회전체 기계의 고장 검출 및 진단에 효과적임을 보여준다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)