[논문 리뷰] A Multi-State Diagnosis and Prognosis Framework with Feature Learning for Tool Condition Monitoring

Chong Zhang, Geok Soon Hong외 6명|arXiv (Cornell University)|2018. 04. 30.

Advanced machining processes and optimization참고 문헌 54인용 수 5

한 줄 요약

이 논문은 도구 상태 모니터링을 위한 딥 빌리프 네트워크 기반 다중 상태 접근법(DBNMS)을 사용하는 다중 상태 진단 및 예측(MDP) 프레임워크를 제안한다. 클래스 불균형 문제를 해결하기 위해 비용 감수성 딥 빌리프 네트워크(ECS-DBN)를 활용하며, 각 상태에 맞는 맞춤형 열화 모델을 적용하여 마모 예측을 수행하여 기존의 전통적 및 딥 러닝 방법에 비해 실제 권총 드릴링 데이터 기반으로 뛰어난 정확도와 강건성을 확보한다.

ABSTRACT

In this paper, a multi-state diagnosis and prognosis (MDP) framework is proposed for tool condition monitoring via a deep belief network based multi-state approach (DBNMS). For fault diagnosis, a cost-sensitive deep belief network (namely ECS-DBN) is applied to deal with the imbalanced data problem for tool state estimation. An appropriate prognostic degradation model is then applied for tool wear estimation based on the different tool states. The proposed framework has the advantage of automatic feature representation learning and shows better performance in accuracy and robustness. The effectiveness of the proposed DBNMS is validated using a real-world dataset obtained from the gun drilling process. This dataset contains a large amount of measured signals involving different tool geometries under various operating conditions. The DBNMS is examined for both the tool state estimation and tool wear estimation tasks. In the experimental studies, the prediction results are evaluated and compared with popular machine learning approaches, which show the superior performance of the proposed DBNMS approach.

연구 동기 및 목표

• 기존의 기계 학습 기법이 도구 상태 모니터링에서 수동적 특징 공학과 다양한 운전 조건 간 일반화 능력 부족 등의 한계를 해결하기 위해.
• 도구 상태 분류에서의 데이터 불균형 문제를 해결하기 위해 비용 감수성 딥 빌리프 네트워크(ECS-DBN)를 도입함으로써.
• 다른 건강 상태(예: 신규, 점진적 마모, 가속 마모) 간에 도구 마모 열화를 다르게 모델링하여 예측 정확도를 향상시키기 위해.
• 상태 추정과 잔여 수명 예측을 통합하는 엔드 투 엔드의 진단 및 예측 프레임워크를 개발하여 TCM 성능 향상에 기여하기 위해.
• 다양한 도구 기하학적 형상과 운전 조건을 포함하는 실제 권총 드릴링 데이터셋을 기반으로 프레임워크를 검증하기 위해.

제안 방법

• 프레임워크는 클래스 불균형 문제를 가중치가 반영된 오차 역전파를 통해 처리하는 비용 감수성 딥 빌리프 네트워크(ECS-DBN)를 사용하여 도구 상태(예: 신규, 점진적 마모, 가속 마모, 마모됨)를 분류한다.
• 진단 이후, 현재 건강 상태의 추정 결과에 기반하여 상태별로 특화된 열화 모델을 선택하여 예측을 수행한다.
• DBNMS 프레임워크는 원시 센서 신호(력, 토크, 진동, 음향 방출)에서 자동으로 특징 표현을 학습하여 수작업 특징에 의존하지 않는다.
• 시간 창 기반 신호 처리를 적용하여 일시적 특징을 추출한 후, 이를 딥 빌리프 네트워크에 통합하여 동시 진단 및 예측을 수행한다.
• 다중 상태 모델링 전략을 통해 각 건강 상태에 맞는 별도의 회귀 모델을 적용함으로써 단일 모델 접근 방식에 비해 예측 정확도를 향상시킨다.
• 성능 평가에는 10회의 시험에서 RMSE, R2Score, MAPE를 사용하며, SVM, ELM, Lasso, SGD를 포함한 11개의 벤치마크 알고리즘과의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 비용 감수성 딥 빌리프 네트워크를 활용한 다중 상태 기반 프레임워크가 불균형 데이터 존재 조건 하에서 도구 상태 분류 정확도를 향상시킬 수 있는가?
• RQ2 다른 건강 상태 간에 도구 마모 열화를 다르게 모델링하는 것이 단일 모델 접근 방식에 비해 더 나은 예측 성능을 이끌어낼 수 있는가?
• RQ3 실제 도구 상태 모니터링 환경에서 제안된 DBNMS 프레임워크가 기존의 기계 학습 및 표준 딥 러닝 방법에 비해 정확도와 강건성 측면에서 어떻게 성능을 발휘하는가?
• RQ4 원시 센서 데이터에서 자동으로 특징을 학습하는 방식이 다양한 도구 기하학적 형상과 운전 조건 간 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 제안된 DBNMS 프레임워크는 테스트 데이터에서 최저 RMSE 52.03(±3.55)과 최고 R2Score 0.9431(±0.00)을 기록하여 모든 경쟁 방법을 압도했다.
• MDP 프레임워크는 기존의 데이터 기반 프레임워크(MLP-PCC: 118.71) 대비 56%의 RMSE 감소와 딥 러닝 기반 DBN 프레임워크(198.35) 대비 74%의 RMSE 감소를 기록했다.
• 상태별 모델링과 자동 특징 학습 덕분에 DBNMS 모델은 다양한 도구 기하학적 형상과 운전 조건에서 뛰어난 강건성과 일반화 능력을 보였다.
• 더 긴 학습 시간(6,296.26 ± 1,533.75 초)에도 불구하고 DBNMS는 가장 정확하고 안정적인 예측을 제공하여 산업적 TCM 응용 분야에서의 효과성을 입증했다.
• 스무딩 기법을 적용한 MDP 프레임워크는 RMSE 52.03과 R2Score 0.9431을 달성하여 보다 정교한 상태 추정의 이점이 있음을 시사했다.
• SVM, ELM, Lasso, SGD를 포함한 11개의 벤치마크 알고리즘 전반에서 모든 평가 지표에서 슈퍼리어한 성능을 보여 프레임워크의 강건성과 정확성을 확인했다.