SCOPUS
KCI등재
합성곱 신경망을 적용한 볼 베어링의 결함 분류
저자
고한별(Han Byul Ko) ; 박형준(Hyung Joon Park) ; 이광기(Kwang Ki Lee) ; 한승호(Seung Ho Han)
발행기관
학술지명
권호사항
발행연도
2022
작성언어
Korean
주제어
등재정보
SCOPUS,KCI등재,ESCI
자료형태
학술저널
발행기관 URL
수록면
521-527(7쪽)
제공처
소장기관
볼 베어링은 회전 기계의 성능을 결정하는 주요 구성 요소 중 하나로 볼과 내·외륜 사이의 구름접촉으로 다양한 결함이 발생하며, 이는 회전 기계에서 발생하는 고장의 주요 원인이다. 이를 사전에 방지하기 위하여 다양한 기계학습 알고리즘을 적용한 볼 베어링의 결함 분류 모델에 대한 연구가 이루어지고 있다. 하지만 정확도가 높은 결함 분류 모델을 구축하기 위하여 충분한 데이터를 수집하는 데에는 어려움이 따른다. 본 연구에서는 데이터가 충분하지 않은 환경에서 결함 분류를 위해 합성곱 신경망(CNN: convolution neural network)이 적용된 결함 분류 모델을 제안하였으며, 정상상태 및 5가지 결함 데이터를 대상으로 분류 모델의 학습을 수행하고 결함 분류의 정확도를 평가하였다. 또한, 다층 지각(multi-layer perceptron)과 장단기 메모리(long short-term memory) 알고리즘이 적용된 기존의 결함 분류 모델과 CNN 모델의 결함 분류 정확도를 비교하였다. 이를 통해 데이터가 충분하지 않은 환경에서 볼 베어링 결함 상태를 분류하는 데 있어 CNN 모델의 적용이 적합함을 확인하였다.
더보기A ball bearing is one of the main components that play an important role in the performance of rotating machinery. Faults occur frequently owing to concentrated loads on the contact areas between balls and race tracks, which directly affect operation of the rotating machinery. To prevent such issues in advance, studies on the fault classification models have been carried out, for which various machine learning algorithms were considered. To attain a high accuracy fault classification model, even though sufficient collected fault data are needed, there are still limit and restriction on this purpose. In the present study, a fault classification model for a ball bearing was proposed, in which CNN (convolution neural network) algorithm was applied to classify faults with a high accuracy even for insufficient collected fault data. The CNN model was constructed after training with the vibration signals acquired from operating ball bearing including normal condition and five fault types. In addition, other fault classification models were prepared using conventional machine learning algorithms, such as MLP (multi-layer perceptron) and LSTM (long short-term memory). The obtained results were compared with those of the CNN algorithm. Subsequently, the availability of the CNN model was verified with insufficient collected fault data.
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)