KCI등재
베어링 고장 진단을 위한 CNN 기반 딥러닝의 계산 복잡도 감소 기법 = Computation Reduction Method for CNN-based Bearing Fault Diagnosis
저자
발행기관
학술지명
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
1373-1379(7쪽)
제공처
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.
더보기산업 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.
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)