[논문 리뷰] Data fusion techniques for fault diagnosis of industrial machines: a survey

Amir Eshaghi Chaleshtori, Abdollah aghaie|arXiv (Cornell University)|2022. 11. 17.

Fault Detection and Control Systems인용 수 6

한 줄 요약

이 종합 검토는 산업 기계의 고장 진단을 위한 데이터 융합 기법을 검토하며, 예측 유지보수 성능을 햖을 다수의 수준의 융합 전략(데이터, 특징, 결정)을 분류한다. 신호 처리 및 빅데이터 분석 분야의 최근 발전을 통합하여 체계적인 분류 체계를 제시하고 산업 고장 진단 시스템의 핵심 과제와 향후 동향을 규명한다.

ABSTRACT

In the Engineering discipline, predictive maintenance techniques play an essential role in improving system safety and reliability of industrial machines. Due to the adoption of crucial and emerging detection techniques and big data analytics tools, data fusion approaches are gaining popularity. This article thoroughly reviews the recent progress of data fusion techniques in predictive maintenance, focusing on their applications in machinery fault diagnosis. In this review, the primary objective is to classify existing literature and to report the latest research and directions to help researchers and professionals to acquire a clear understanding of the thematic area. This paper first summarizes fundamental data-fusion strategies for fault diagnosis. Then, a comprehensive investigation of the different levels of data fusion was conducted on fault diagnosis of industrial machines. In conclusion, a discussion of data fusion-based fault diagnosis challenges, opportunities, and future trends are presented.

연구 동기 및 목표

• 산업 기계 고장 진단에 적용된 데이터 융합 기법의 종합적인 분류를 제공하기 위해.
• 고장 탐지 정확도 향상을 위해 다수 수준의 데이터 융합(데이터, 특징, 결정)의 최신 기술 동향을 분석하기 위해.
• 데이터 융합을 통한 예측 유지보수 분야의 핵심 과제, 기회, 그리고 새로운 연구 방향을 규명하기 위해.
• 연구자 및 실무자들이 산업 고장 진단 분야의 주제적 풍경과 기술적 진화를 이해하는 데 지원하기 위해.
• 체계적인 문헌 검토를 통해 신호 처리, 빅데이터 분석, 산업 응용 간 격차를 메우기 위해.

제안 방법

• 2010–2022년 사이의 최근 문헌을 대상으로 한 체계적 검토로서 산업 기계 고장 진단에서의 데이터 융합에 중점을 둔다.
• 데이터 융합 기법을 세 가지 수준으로 분류: 데이터 수준, 특징 수준, 결정 수준 융합.
• 웨이브렛 변환, 경험적 모드 분해, 딥러닝 등의 신호 처리 기법을 활용한 특징 추출 방법 분석.
• 가중 평균, 덴스터-섀퍼 이론, 베이지안 네트워크, 신경망 등의 융합 알고리즘 평가.
• 융합 성능 향상과 확장성 향상을 위해 빅데이터 분석 및 머신러닝 프레임워크 통합.
• 실시간, 다중 센서, 복잡한 산업 환경에서의 추세, 한계점, 열린 과제 통합 분석.

실험 결과

연구 질문

• RQ1 현대 산업 기계 고장 진단 시스템에서 주로 사용되는 데이터 융합 전략는 무엇인가?
• RQ2 데이터 수준, 특징 수준, 결정 수준 융합 기법은 정확도, 내구성, 계산 비용 측면에서 어떻게 비교되는가?
• RQ3 빅데이터 분석과 머신러닝은 예측 유지보수를 위한 데이터 융합 기술 발전에 어떤 역할을 하는가?
• RQ4 실제 산업 현장에서 데이터 융합을 구현할 때의 핵심 과제는 무엇인가?
• RQ5 산업 고장 진단을 위한 데이터 융합 분야에서 새로운 연구 방향은 무엇인가?

주요 결과

• 다양한 센서와 자료원에서 유입된 정보를 융합함으로써 데이터 융합은 고장 진단 정확도를 크게 향상시킨다.
• 딥러닝과 시간-주파수 분석을 활용한 특징 수준 융합은 복잡한 고장 탐지에서 뛰어난 성능을 보인다.
• 베이지안 네트워크와 같은 확률 모델을 활용한 결정 수준 융합은 불확실성 또는 노이즈가 많은 환경에서 신뢰성을 향상시킨다.
• 다양한 수준을 통합한 하이브리드 융합 프레임워크는 단일 수준 접근보다 더 뛰어난 내구성과 적응성을 보인다.
• 빅데이터 분석과 실시간 처리 기술은 확장 가능하고 구현 가능한 산업 고장 진단 시스템을 위한 핵심 기반 기술이다.
• 진전이 있음에도 불구하고 표준화, 해석 가능성, 이질적인 산업 시스템 내 구현 과제는 여전히 남아 있다.