[논문 리뷰] Fault Diagnosis on Induction Motor using Machine Learning and Signal Processing

Muhammad Samiullah, Hasan Ali외 2명|arXiv (Cornell University)|2024. 01. 27.

Machine Fault Diagnosis Techniques인용 수 4

한 줄 요약

이 연구는 MATLAB Simulink를 사용한 기계학습 및 신호 처리 프레임워크를 제안하여 삼상 induction 모터의 고장 진단을 수행한다. 건강한 상태와 네 가지 고장 유형(단선, 쇼트 서킷, 과부하, 브레이크된 로터 바)을 포함한 총 150,000개의 데이터 포인트를 생성하고, 특징 추출을 위해 FFT를 적용하며, 다양한 모델을 평가하여 의사결정 트리가 92%의 정확도를 기록함으로써 산업용 고장 분류에 있어 높은 해석 가능성과 강건성을 입증한다.

ABSTRACT

The detection and identification of induction motor faults using machine learning and signal processing is a valuable approach to avoiding plant disturbances and shutdowns in the context of Industry 4.0. In this work, we present a study on the detection and identification of induction motor faults using machine learning and signal processing with MATLAB Simulink. We developed a model of a three-phase induction motor in MATLAB Simulink to generate healthy and faulty motor data. The data collected included stator currents, rotor currents, input power, slip, rotor speed, and efficiency. We generated four faults in the induction motor: open circuit fault, short circuit fault, overload, and broken rotor bars. We collected a total of 150,000 data points with a 60-40% ratio of healthy to faulty motor data. We applied Fast Fourier Transform (FFT) to detect and identify healthy and unhealthy conditions and added a distinctive feature in our data. The generated dataset was trained different machine learning models. On comparing the accuracy of the models on the test set, we concluded that the Decision Tree algorithm performed the best with an accuracy of about 92%. Our study contributes to the literature by providing a valuable approach to fault detection and classification with machine learning models for industrial applications.

연구 동기 및 목표

• 산업 현장에서의 계획되지 않은 정지 사태를 방지하기 위해 조기 고장 탐지를 위한 신뢰성 있고 자동화된 시스템을 개발하기 위해.
• 전기적 고장으로 인한 induction 모터의 높은 고장률(35–40%)을 해결하기 위해 데이터 기반 방법을 통해 예측 유지보수를 가능하게 하기 위해.
• 실시간 모터 파arameter를 사용하여 다양한 고장 유형을 분류하는 데 다수의 기계학습 모델의 성능을 평가하고 비교하기 위해.
• 모의된 모터 데이터 기반으로 신호 처리(Fast Fourier Transform, FFT)와 기계학습을 융합하여 고장 탐지 정확도를 향상시키기 위해.
• MATLAB Simulink를 활용한 실용적이고 해석 가능하며 강건한 솔루션을 제공하여 Industry 4.0 응용 분야에 적합하게 하기 위해.

제안 방법

• 스털러 전류, 로터 전류, 입력 전력, 슬립, 로터 속도, 효율성 등을 모니터링하기 위한 센서를 탑재한 MATLAB Simulink에서 삼상 induction 모터 모델을 구축하였다.
• 단선, 쇼트 서킷, 과부하, 브레이크된 로터 바 등의 고장 유형을 전용 블록(예: 삼상 차단기, 고장 블록, 고조파를 위한 RLC 회로)을 사용하여 시뮬레이션하였다.
• 건강한 상태와 고장 상태 사이의 비율을 60-40%로 설정하여 총 150,000개의 데이터 포인트를 수집하였으며, 훈련 및 테스트 데이터의 균형을 확보하였다.
• 주파수 도메인 특징 추출을 위해 빠른 푸리에 변환(Fast Fourier Transform, FFT)을 적용하여 특정 고장 유형을 나타내는 고조파 왜곡을 식별하였다.
• MATLAB의 Classification Learner 앱을 사용하여 다수의 모델을 훈련 및 비교: 의사결정 트리, 서포트 벡터 머신, 로지스틱 회귀, 나이브 베이즈.
• 정확도, 정밀도, 재현율, F1 스코어를 사용하여 모델 성능을 평가하였으며, 특징 중요도 및 혼동 행렬을 활용하여 결과를 해석하였다.

Figure 1: Simulink Model of Three-Phase Induction Motor

실험 결과

연구 질문

• RQ1 모의 데이터를 사용하여 다양한 종류의 induction 모터 고장을 분류하는 데 있어 어떤 기계학습 모델이 가장 높은 정확도를 달성하는가?
• RQ2 FFT 기반 신호 처리는 모터 전류 및 전력 신호의 고장 탐지 능력을 얼마나 향상시키는가?
• RQ3 의사결정 트리의 특징 중요도 순위가 고장 진단에서 모터 파arameter의 물리적 의미를 얼마나 잘 반영하는가?
• RQ4 실제 산업 환경의 데이터에서 노이즈 및 이방성에 대한 저항성 측면에서 다양한 알고리즘 간의 모델 강건성은 어떻게 비교되는가?
• RQ5 신호 처리와 해석 가능한 기계학습의 융합된 접근 방식은 Industry 4.0 시스템에 적합한 신뢰성 있고 실시간 고장 진단을 가능하게 하는가?

주요 결과

• 의사결정 트리 알고리즘이 92%의 최고 테스트 정확도를 기록하여 서포트 벡터 머신, 로지스틱 회귀, 나이브 베이즈를 모두 앞섰다.
• 혼동 행렬 분석 결과, 단선 및 쇼트 서킷 고장을 분류하는 데 100%의 정확도를 기록하여 이들 고장의 신호 서명이 매우 뚜렷함을 확인하였다.
• 특징 중요도 분석을 통해 스텔러 전류, 로터 전류, 입력 전력이 고장 분류에 가장 영향을 미치는 변수임을 확인하였다.
• 의사결정 트리 모델은 노이즈 및 이방성에 대해 강력한 저항성을 보이며, 완벽하지 않은 데이터를 포함한 실제 산업 환경에 적합함을 입증하였다.
• FFT 기반 전처리 과정을 통해 고장 유형에 특화된 주파수 성분을 성공적으로 추출하였으며, 특히 브레이크된 로터 바 고장의 경우 고조파 왜곡을 명확히 드러내었다.
• 플롯 매트릭스 분석을 통해 데이터셋 내 재중복 특징이 없음을 확인하였으며, 이는 PCA가 필요 없음을 의미하며, 모델의 해석 가능성 유지에 기여하였다.

Figure 2: Stator Currents of Healthy Motor