[논문 리뷰] Gearbox Fault Detection through PSO Exact Wavelet Analysis and SVM Classifier

Amir Hosein Zamanian, Abdolreza Ohadi|arXiv (Cornell University)|2010. 01. 01.

Machine Fault Diagnosis Techniques참고 문헌 11인용 수 8

한 줄 요약

이 논문은 기어박스 고장 진단에서 향상된 특징 추출을 위해 PSO 최적화 정확 파동수변환을 제안한다. 이는 모레트 파동수와 SVM 분류를 사용하며, 선형 SVM를 사용할 경우 테스트 정확도가 100%에 도달하고, GA 기반 최적화 대비 계산 시간을 40배 감소시켜 전통적인 CWT보다 뛰어난 성능을 보인다.

ABSTRACT

Time-frequency methods for vibration-based gearbox faults detection have been considered the most efficient method. Among these methods, continuous wavelet transform (CWT) as one of the best time-frequency method has been used for both stationary and transitory signals. Some deficiencies of CWT are problem of overlapping and distortion ofsignals. In this condition, a large amount of redundant information exists so that it may cause false alarm or misinterpretation of the operator. In this paper a modified method called Exact Wavelet Analysis is used to minimize the effects of overlapping and distortion in case of gearbox faults. To implement exact wavelet analysis, Particle Swarm Optimization (PSO) algorithm has been used for this purpose. This method have been implemented for the acceleration signals from 2D acceleration sensor acquired by Advantech PCI-1710 card from a gearbox test setup in Amirkabir University of Technology. Gearbox has been considered in both healthy and chipped tooth gears conditions. Kernelized Support Vector Machine (SVM) with radial basis functions has used the extracted features from exact wavelet analysis for classification. The efficiency of this classifier is then evaluated with the other signals acquired from the setup test. The results show that in comparison of CWT, PSO Exact Wavelet Transform has better ability in feature extraction in price of more computational effort. In addition, PSO exact wavelet has better speed comparing to Genetic Algorithm (GA) exact wavelet in condition of equal population because of factoring mutation and crossover in PSO algorithm. SVM classifier with the extracted features in gearbox shows very good results and its ability has been proved.

연구 동기 및 목표

• 기어박스 고장 진단을 위한 연속 파동수변환(CWT)에서의 신호 왜곡과 겹침 문제를 해결하기 위해.
• 모레트 파동수를 사용하여 최적화 파arameter를 감소시켜 특징 추출 효율을 향상시키기 위해.
• 유전 알고리즘(GA) 대신 입자군집최적화(PSO)를 도입하여 정확 파동수 분석 과정을 가속화하기 위해.
• PSO 최적화 정확 파동수 분석을 통해 추출한 특징을 사용한 SVM의 분류 성능 평가하기 위해.
• 속도와 정확도 측면에서 PSO 기반 정확 파동수 분석과 GA 기반 접근법을 비교하기 위해.

제안 방법

• 모든 파동수 형태 파arameter 대신 스케일 파aram터(1–32)만 최적화하는 수정된 정확 파동수 분석 방법을 사용하였다.
• 모레트 파동수는 충격 응답과 유사하고 파aram터 공간이 작아 모계 파동수로 선택되었다.
• 입자군집최적화(PSO)를 사용하여 각 시간 프레임에서 파동수와 신호 간의 정규화된 내적을 최소화하는 최적의 스케일을 찾았다.
• 16개 스케일 수준에서의 파동수 계수 분포를 신호 세그먼트당 16차원 특징 벡터로 추출하였다.
• 60개의 특징 세트로 라디얼 기저 함수(RBF)와 선형 서포트 벡터 머신(SVM) 분류기를 훈련하고, 100개의 세트로 테스트하였다.
• 아미르카비르 기술대학의 기어박스 시험기에서 2차원 가속도계를 사용하여 실시간 가속도 데이터를 이용해 MATLAB로 알고리즘을 구현하였다.

실험 결과

연구 질문

• RQ1 PSO 최적화 정확 파동수 분석은 기어박스 고장 진단에서 표준 CWT 대비 특징 추출 정확도를 향상시킬 수 있는가?
• RQ2 모레트 파동수를 사용해 최적화 공간을 스케일 파aram터로만 제한할 경우, 특징 품질을 손상시키지 않고 계산 효율을 향상시킬 수 있는가?
• RQ3 속도와 해의 품질 측면에서 PSO는 정확 파동수 파aram터 최적화에서 GA보다 어떻게 비교되는가?
• RQ4 PSO 최적화 정확 파동수 분석을 통해 추출한 특징을 사용한 SVM 분류기는 건강한 상태와 치핑된 기어 상태를 효과적으로 구분할 수 있는가?
• RQ5 특징 세트는 선형으로 분리 가능한가? 그리고 이는 선형 SVM로 고정확도 분류를 가능하게 하는가?

주요 결과

• PSO 최적화 정확 파동수 분석은 선형 SVM를 사용할 경우 테스트 정확도 100%를 달성하여 특징 세트가 선형으로 분리 가능하다는 것을 시사한다.
• RBF-SVM는 σ = 1.5일 때 100%의 테스트 정확도를 기록하여 높은 분류 성능를 확인하였다.
• PSO는 유사한 인구 수를 가진 GA 기반 정확 파동수 분석 대비 약 40배의 계산 시간을 단축시켰다.
• PSO의 해는 GA의 해에 매우 가까웠으며, 최적화 성능에 미세한 차이가 있었지만, 수렴 속도는 훨씬 빠르게 나타났다.
• 신호 왜곡과 겹침 효과를 최소화함으로써 표준 CWT보다 특징 추출에서 뛰어난 성능을 보였다.
• 정확도는 향상되었지만, 높은 처리 부하로 인해 실시간 응용에는 부적합하여 여전히 계산적으로 부담스럽다.